桥接图结构与知识引导编辑：可解释时序知识图谱推理
机器学习
2026-01-30 v1
摘要
时序知识图谱推理（TKGR）旨在通过推断缺失实体来预测未来事件，动态知识结构。现有基于大语言模型的方法侧重情境而非结构关系，难以从动态图中提取相关子图。这限制了结构信息的理解，导致在时序不一致情况下产生非结构化、易产生幻觉的推断。为解决此问题，我们提出IGETR（Integration of Graph and Editing-enhanced Temporal Reasoning），一种混合推理框架，结合图神经网络（GNN）的结构化时序建模能力与大语言模型的情境理解能力。IGETR通过三个阶段运行：第一阶段通过时序GNN识别结构和时序一致的候选路径，确保推断从可靠的图基证据开始；第二阶段引入LLM引导的路径编辑以解决逻辑和语义不一致，利用外部知识细化和增强初始路径；第三阶段聚合优化后的推理路径，产生准确且可解释的预测。在标准时序知识图谱基准测试中，IGETR实现了最先进的性能，在挑战性的ICEWS数据集上在Hits@1上提升最高5.6%，在Hits@3上提升8.1%。此外，消融实验和额外分析均确认了各组件的有效性。
引用
@article{arxiv.2601.21978,
title = {Bridging Graph Structure and Knowledge-Guided Editing for Interpretable Temporal Knowledge Graph Reasoning},
author = {Shiqi Fan and Quanming Yao and Hongyi Nie and Wentao Ma and Zhen Wang and Wen Hua},
journal= {arXiv preprint arXiv:2601.21978},
year = {2026}
}