Temporal Knowledge Graph Forecasting via Constrained Large Language Models

Qimeng Guo

doi:10.1109/tbdata.2026.3689005

Temporal Knowledge Graph Forecasting via Constrained Large Language Models

2026-05-01

0

PRE

AI

DOI：10.1109/tbdata.2026.3689005

原文链接

原文求助

摘要

En 中文

时序知识图谱预测（TKGF）由于演化知识图谱中的复杂时序依赖和关系交互而仍具挑战性。近期研究通过提示工程或迭代多步查询探索了大语言模型（LLMs）在TKGF中的应用。尽管这些方法展示了有前景的推理能力，但它们常依赖无约束解码，并未明确展示结构化、时序有效的推理轨迹。为解决这些局限，我们提出T-CoLLM，一个两阶段推理框架，明确将路径生成与答案预测解耦。第一阶段，我们通过双策略引导机制微调LLM生成候选多跳推理路径，其中基于Trie的约束确保时序一致性和结构有效性。第二阶段，推理LLM基于这些候选路径预测最终答案，随后通过结构感知重排模块调和语义置信度与图拓扑。在多个基准数据集上的广泛实验表明，本方法相比强基线表现始终具有竞争力或更优。进一步分析验证了各组件的有效性，并突显了我们明确构建且时序可验证的推理路径所提供的透明度。

Keyword:

Temporal knowledge graphs

large language models

temporal knowledge graphs forecasting

Temporal Knowledge Graph Forecasting via Constrained Large Language Models

摘要

期刊

机构

引用论文