一种基于大语言模型的时序知识图谱推理方法

本发明提出了一种基于大语言模型(Large Language Model，LLM)的时序知识图谱推理方法。该方法首先利用LLM为实体和关系生成高质量文本描述，以此捕获丰富的语义信息；随后，将生成的文本描述输入预训练语言模型(Pre‑trained Language Model，PLM)中，提取其深度语义表示并转化为向量形式；最终，将这些语义向量作为图神经网络(Graph Neural Network，GNN)的初始嵌入表示，在时序知识图谱结构上进行邻居聚合与动态传播推理，实现精准的关系预测与事件推断。该方法创新性地融合了PLM的深层语义理解能力与GNN对图结构信息的建模优势，显著提升了知识表征的质量。尤其能够有效缓解时序知识图谱中的忽略语义问题与长尾实体的问题，从而整体提高推理任务的准确性与鲁棒性。