ONSEP：一种基于大语言模型的在线神经符号事件预测新框架

在事件预测领域，时序知识图谱预测（TKGF）是一项关键技术。以往方法面临测试期间未利用经验以及仅依赖单一短期历史的挑战，这限制了其对演化数据的适应能力。本文提出在线神经符号事件预测（ONSEP）框架，通过整合动态因果规则挖掘（DCRM）和双历史增强生成（DHAG）进行创新。DCRM 从实时数据中动态构建因果规则，使其能够快速适应新的因果关系。同时，DHAG 融合短期与长期历史上下文，利用双分支方法丰富事件预测。我们的框架在多个数据集上展现出显著的性能提升，Hit@k（k=1,3,10）指标均有显著改善，展示了其在无需大量重新训练的情况下增强大语言模型（LLM）进行事件预测的能力。ONSEP 框架不仅推动了 TKGF 领域的发展，也凸显了神经符号方法在适应动态数据环境方面的潜力。