2025_NIPS_Language Models Can Improve Event Prediction by Few-Shot Abductive Reasoning

文章核心总结与翻译

一、主要内容

本文提出了名为LAMP的框架，核心是将大型语言模型（LLMs）的溯因推理能力与事件序列模型结合，以提升现实世界事件预测的性能。事件预测任务需基于历史时间戳事件序列，预测下一个事件的发生时间和类型，广泛应用于医疗、政治、商业等领域。

LAMP框架包含三个关键阶段：

1. 预测提议阶段：利用预训练的事件序列模型（如NHP、ANHP等）生成下一个事件的候选时间和类型；
2. LLM溯因推理阶段：通过少量专家标注的示例提示LLM，为每个候选预测生成可能的原因事件，再基于向量相似度从历史事件中检索最相关的实际事件作为证据；
3. 排序阶段：采用连续时间Transformer架构的排序模型，根据候选预测与检索证据的兼容性打分，最终选择得分最高的预测结果。

实验在GDELT、ICEWS、Amazon Review三个真实世界数据集上展开，结果表明，LAMP框架显著优于现有最先进的事件序列模型，在事件类型和发生时间预测任务中均表现出稳定优势。

二、创新点

1. 首次将LLMs整合到事件序列建模中：突破传统事件序列模型无法直接利用文本知识的局限，借助LLMs预处理的海量文本信息和推理能力，为事件预测提供因果层面的支持；
2. 溯因推理驱动的证据检索机制：通过少量示例提示LLM生成候选预测的潜在原因，再映