.png){kind=icon}
返回
LLM-RDO: Large Language Model-Guided Rules Dynamic Optimization for Temporal Knowledge Graph Reasoning
.png){kind=icon}
PRE
AI
DOI：10.1109/jiot.2026.3719675.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
时序知识图谱推理（TKGR）旨在基于历史事件事实预测未来事实。然而，传统的基于嵌入的方法缺乏可解释性，而基于规则的方法容易陷入虚假相关陷阱。值得注意的是，近期基于大型语言模型（LLM）的方法大多为静态、开环生成，缺乏动态适应性。本文提出了一种新颖的混合推理框架，即LLM引导的规则动态优化（LLM-RDO），通过将图神经网络（GNN）捕获的结构鲁棒性融入LLM优化的离散因果逻辑中。为提取逻辑一致的匹配规则和Top-k相关关系，设计了结合时序路径匹配的关联规则挖掘（ARM）算法。为生成更高质量的规则，构建了LLM引导的迭代动态反馈循环，通过整合匹配规则和Top-k相关关系的语义特征来优化规则。具体而言，将匹配规则和Top-k相关关系输入LLM生成规则，然后与当前数据进行交互式评分。高质量规则用于后续结果预测，低质量规则反馈给LLM进一步优化。最后，为提高预测精度，引入了结合基于规则和基于嵌入方法的联合预测机制。在4个基准数据集上的实验表明，LLM-RDO相比现有最先进基线方法表现更优。
Keyword:
Association rule mining (ARM)
large language model (LLM)
rule dynamic optimization (RDO)
temporal knowledge graph reasoning (TKGR)
temporal path matching
