ATOM: 使用大语言模型的自适应与优化的动态时序知识图谱构建
人工智能
2026-01-27 v2 计算与语言
信息检索
摘要
在当今快速扩展的数据格局中，从非结构化文本中提取知识对于实时分析、时序推理和动态记忆框架至关重要。然而，传统的静态知识图谱(KG)构建常常忽视现实世界数据的动态性和时间敏感性，限制了其对持续变化的适应性。此外，近期避免领域特定微调或依赖预建本体的零样本或少样本方法，常常在多次运行中表现出不稳定性，以及对关键事实的覆盖不完整。为应对这些挑战，我们引入了ATOM (AdapTive and OptiMized)，一种少样本且可扩展的方法，用于从非结构化文本构建并持续更新时序知识图谱(TKG)。ATOM将输入文档分割成最小的、自包含的“原子”事实，提高了提取的详尽性和稳定性。然后，它从这些事实构建原子TKG，采用双时间建模来区分信息被观察到的时间和信息有效的时间。随后，生成的原子TKG被并行合并。实证评估表明，与基线方法相比，ATOM实现了约18%更高的详尽性、约33%更好的稳定性以及超过90%的延迟降低，展示了其在动态TKG构建方面的强大可扩展性潜力。
引用
@article{arxiv.2510.22590,
title = {ATOM: AdapTive and OptiMized dynamic temporal knowledge graph construction using LLMs},
author = {Yassir Lairgi and Ludovic Moncla and Khalid Benabdeslem and Rémy Cazabet and Pierre Cléau},
journal= {arXiv preprint arXiv:2510.22590},
year = {2026}
}
备注
Accepted at the Findings of the Association for Computational Linguistics: EACL 2026