基于大语言模型与历史方向的时序知识图谱问答系统补全方法

本发明提出了一种基于大语言模型与历史方向的时序知识图谱问答系统补全方法，属于时序知识图谱补全领域。通过引入大语言模型对问答系统中的关系谓词进行深度语义解析，将语言学特征与传统嵌入向量相结合，显著提升了关系表示的细粒度区分能力；同时设计基于时间窗口的历史尾实体聚合机制，自动捕捉头实体和关系对在历史时段的尾实体分布特征，构建面向补全任务的历史方向向量，从而在候选实体评分中引入历史一致性约束。实验结果表明，本发明在多个基准数据集上优于现有方法，有效提升了时序知识图谱补全的准确性和效率。