【技术实现步骤摘要】
本专利技术涉及人工智能，特别是涉及一种基于大语言模型的时序知识图谱推理方法。
技术介绍
1、时序知识图谱(temporalknowledgegraph,tkg)通过引入时间维度扩展传统知识图谱，能够动态表示实体间关系的演化过程，在事件预测、因果推理、智能决策等领域具有重要应用价值。然而，时序知识图谱推理面临两大核心挑战：一是复杂语义约束建模，查询中隐含的实体类型、关系逻辑等语义约束需要精准捕捉；二是时序演化路径建模，实体状态和关系随时间动态变化，需有效建模其历史演化轨迹与因果依赖关系。
2、传统方法主要分为两类：基于嵌入模型的方法和基于大语言模型的方法，但均存在显著局限性。基于嵌入模型的方法，如transe及其变体(如transh、transr)以及convstranse等，虽然在一定程度上缓解了知识图谱补全中的数据稀疏和动态性问题，但由于其主要关注局部结构特征，难以捕捉深层语义约束和复杂的因果关系，容易出现实体类型对齐错误、信息丢失或语义漂移等问题。而基于大语言模型的方法，虽具有强大的语义理解和生成能力，但在时序知识图谱推...
【技术保护点】
1.一种基于大语言模型的时序知识图谱推理方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于大语言模型的时序知识图谱推理方法，其特征在于，所述嵌入模型采用ConvTransE模型，对查询三元组进行得分计算，根据公式计算条件概率：
3.根据权利要求2所述的一种基于大语言模型的时序知识图谱推理方法，其特征在于，所述事件演化树的构建满足以下条件，树结构定义为有向树，根节点为查询实体s或关键候选节点，边表示实体在时间戳t下通过关系r影响实体o，记作(s,r,o,t)；若存在路径(s1,r1,o1,t1)→(o2,r2,o2,t2)，则需要...
【技术特征摘要】
1.一种基于大语言模型的时序知识图谱推理方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于大语言模型的时序知识图谱推理方法，其特征在于，所述嵌入模型采用convtranse模型，对查询三元组进行得分计算，根据公式计算条件概率：
3.根据权利要求2所述的一种基于大语言模型的时序知识图谱推理方法，其特征在于，所述事件演化树的构建满足以下条件，树结构定义为有向树，根节点为查询实体s或关键候选节点，边表示实体在时间戳t下通过关系r影响实体o，记作(s,r,o,t)；若存在路径(s1,r1,o1,t1)→(o2,r2,o2,t2)，则需要满足t1<t2。
4.根据权利要求3所述的一种基于大语言模型的时序知识图谱推理方法，其特征在于，所述事件演化树的构建算法包括以下步骤：
5.根据权利要求4所述的一种基于大语言模型的时序知识图谱推理方法，其特征在于，该方法进一步包括多模态信息融合机制，在嵌入模型中，除了传统的文本信息外，还融合了与实体和关系相关的图像和音频多模态数据，通过多模态嵌入向量的联合表示，增强模型对实体和关系的语义理解能力；在事件演化树构建过程中，将多模态信息的时间戳对齐，生成包含多模态特征的事件演化路径，为大语言模型提供更丰富的上下文信息；在指令微调阶段，设计了多模态提示模板，将文本提示与图像和音频多模态信息相结合，引导大语言模型在推理过程中充分利用多模态信息。
6.根据权利要求5所述的一种基于大语言模型的时序知识图谱推理方法，其特征在于，所述指令微调技术包括以下步骤：
7.根据权利要求6所述的一种基于大语言模型的时序知识图谱推理方法，其特征在于，所述结构化提示模板构造包括：明确说明模型任务，即在缺失尾实体的查询中，利用历史事件链和候选实体预测答案；以文本形式展示查询内容(sq,rq,？,tq)；将构建好的事件演化树以结构化文本展现，包含历史事件及时间戳信息；列出基于嵌入模型和事件演化树得到的候选实体集合c；详细分步说明推理过程，包括历史事件识别与排序、实体演化路径追踪、因果关系分析、候选实体预测及上下文一致...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。