.png){kind=icon}
返回
CALENDAR+: in-context contrastive learning for temporal knowledge graph reasoning
.png){kind=icon}
OA
AI
DOI：10.1007/s40747-026-02237-z.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
时空知识图谱（TKG）推理旨在从历史事实中推断未来事件。大型语言模型（LLMs）的最新进展表明，上下文学习能够有效增强时空推理能力。然而，现有方法过度依赖历史信息，忽视了关键的非常规因素，而CALENDAR对此进行了处理。不过，CALENDAR忽略了事件的时效性，并过度依赖全局原则，导致TKG推理结果出现偏差。为解决此局限性，我们提出CALENDAR+（即上下文对比学习时空知识图谱推理），一种通过整合对比示例来提升上下文推理的新方法。在CALENDAR+中，我们提出一种基于高阶信息的演示候选生成方法，该方法从历史和非常规信息中生成演示候选。此外，我们设计了一种基于时间感知对比重要性的演示选择方法，以强调跨时间最具信息量的示例。更进一步，我们设计了一种基于全局-局部历史链的演示格式，提供明确的负向原则，引导模型避免过度依赖全局和局部历史。大量实验表明，CALENDAR+在多个TKG数据集上实现了超过1%的持续提升，包括在ICEWS14上的Hits@10达到60.10%，在ICEWS18上为53.30%，在ICEWS05-15上为69.95%，并且相对于最强基线方法，MRR提升了5.67%。
Keyword:
Temporal knowledge graph reasoning
In-context learning
Large language models
Contrastive learning
Knowledge graph
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
C
IF:
4.6
论文数:
313
被引数:
0
机构
引用论文
Research on RAG-Based Cognitive Large Language Model Training Method for Power Standard Knowledge
.png){kind=icon}
PREAI
分享收藏分享收藏分享收藏MCL-NER: Cross-Lingual Named Entity Recognition via Multi-View Contrastive LearningMcl-ner: 基于多视角对比学习的跨语言命名实体识别
OAAI
OAAI分享收藏
查看更多内容