💬 NLP

ATOM: AdapTive and OptiMized dynamic temporal knowledge graph construction using LLMs

本文介绍了 ATOM，这是一个少样本且可扩展的框架，它通过将输入分解为稳定的“原子”事实并采用双时间建模，从非结构化文本中构建并持续更新时序知识图谱，从而在穷尽性、稳定性及延迟方面较现有方法有了显著提升。

原作者： Yassir Lairgi, Ludovic Moncla, Khalid Benabdeslem, Rémy Cazabet, Pierre Cléau

发布于 2026-01-27

📖 1 分钟阅读☕ 轻松阅读

原作者： Yassir Lairgi, Ludovic Moncla, Khalid Benabdeslem, Rémy Cazabet, Pierre Cléau

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正试图建立一个庞大的、关于世界的动态事实图书馆，但你读到的书是杂乱无章、每天都在变化的各类新闻文章。这就是构建**时序知识图谱（Temporal Knowledge Graph, TKG）**所面临的挑战——这不仅是一张记录“发生了什么”的地图，更是一张知道“何时发生”以及“持续了多久”的地图。

这篇论文介绍了一个名为 ATOM（AdapTive and OptiMized，自适应且优化）的新系统，旨在利用人工智能（特别是大语言模型，即 LLM）来解决构建这座图书馆的问题。

以下是 ATOM 的工作原理，通过简单的类比进行解释：

问题所在：“疲于应付的图书管理员”

传统方法尝试将整篇新闻文章喂给 AI，并问它：“这里有哪些事实和日期？”

问题： 如果文章很长，AI 就会感到不堪重负。这就像一位图书管理员试图在一次坐席中读完一本 500 页的书；他们会记住精彩的开头和戏剧性的结尾，却会忘记中间的重要细节。这会导致遗漏事实（即“完备性”较低）。
不稳定性： 如果你两次询问同一个 AI 关于同一篇文章的内容，它可能会给出两个略有不同的事实列表。这就像一位有点健忘且缺乏一致性的图书管理员。
速度： 这种逐一、循序渐进地处理每一篇文章的方法速度极其缓慢。

解决方案：ATOM 的“原子化”策略

ATOM 改变了游戏规则，它将问题分解成微小、易于管理的碎片。与其把它看作是一个人在读一本书，不如把它看作是一条高效的工厂流水线。

1. “原子事实”分解（拼图碎片）

ATOM 不再是将整个段落交给 AI，而是首先将文本切碎成微小的、自包含的“原子事实”。

类比： 想象一个复杂的句子就像一个拼图。与其要求 AI 一次性解开整个拼图，ATOM 会先将图像切割成一个个独立的拼图碎片。每个碎片只包含一个清晰的事实。
为什么有效： 这防止了 AI 产生混乱或遗忘细节。它迫使 AI 每次只专注于一个微小的真相，从而确保没有任何信息被遗漏。

2. “双时钟”机制（两个时钟）

ATOM 对时间的处理非常聪明。它区分了两个不同的时钟：

观察时钟（Observation Clock）： 我们何时“看到”这条新闻？（例如：“这篇文章是昨天发布的。”）
有效时钟（Validity Clock）： 这个事实在实际何时是真实的？（例如：“该首席执行官的任期是从 2 direction010 年到 2020 年。”）
类比： 想象一名侦探在写报告。一个时钟显示“我在周二发现了这个线索”，另一个时钟显示“这个线索证明嫌疑人在周一当时就在城里”。ATOM 将这两个时间分开处理，以确保历史记录的准确性。

3. 并行流水线（工厂）

这是 ATOM 变得快速的原因。

旧方法： 处理事实 1，然后处理事实 2，接着处理事实 3……一个接一个地进行。
ATOM 的方式： 它将数百个“原子事实”同时（并行地）发送给 AI。
类比： 想象一个拥有 8 名工人（线程）而不是 1 名工人的工厂。当一名工人在检查有关 CEO 的事实时，另一名工人在检查有关天气事件的事实。他们同时工作。
合并： 一旦 AI 提取出事实，ATOM 会使用一种快速的数学“胶水”将这些碎片粘合在一起。至关重要的一点是，它不会要求 AI 进行粘合操作；它使用的是计算机算法。这样做避免了要求 AI 去读取其庞大的记忆库，从而保持了系统的快速运行，并防止随着图谱增长而导致 AI 陷入混乱。

结果：他们发现了什么？

作者使用关于 COVID-19 大流行的真实新闻数据，将 ATOM 与其他方法（如 Graphiti 和 iText2KG）进行了对比测试。

更完整： ATOM 比其他方法多发现了约 18% 的事实。它没有遗漏文本中间的细节。
更一致： 如果你运行该系统三次，它每次给出的结果几乎完全相同（稳定性提高了 33%）。它不再那么“健忘”。
更快： 由于它采用并行处理，并且不过度依赖 AI 进行最后的合并步骤，因此它比竞争对手快了 90% 以上（降低了延迟）。

局限性（不足之处）

论文承认 ATOM 并非完美无缺：

“推理”风险： 由于它将文本拆分为极小的碎片，AI 有时会表现得过于“热心”，试图去“推断”一个并未明确写出的事实，从而导致一些虚假细节（幻觉）的产生。
成本： 将文本拆分并并行处理需要比阅读一次文本更多的计算能力（以及更多的资金）。

总结

ATOM 是一种构建世界事实动态地图的新方法。它不是要求 AI 阅读整本书并寄希望于它能记住一切，而是将书切成微小的句子，让 AI 同时处理它们，然后使用快速的计算机算法将它们缝合在一起。其结果是，这张地图比以往的尝试都更加快速、完整且可靠。

技术摘要：ATOM – 自适应且优化的动态时序知识图谱构建

1. 问题陈述

从非结构化文本中构建知识图谱（KGs）对于实时分析和动态记忆框架至关重要。然而，传统的静态知识图谱无法捕捉现实世界数据的时效性特征。虽然时序知识图谱（TKGs）通过为事实关联时间戳来解决这一问题，但现有方法在生产环境部署时面临三个主要局限性：

缺乏完备性（Lack of Exhaustivity）： 现有的零样本或少样本方法往往会遗漏关键关系，特别是在输入上下文长度增加时，这是由于大语言模型（LLMs）中的“遗忘效应”导致的。
不稳定性（Instability）： 对相同文本进行多次重复的提取提示词运行，往往会产生不同的结果，导致不一致的图结构。
可扩展性与延迟（Scalability and Latency）： 顺序处理以及过度依赖 LLM 调用进行实体解析和时序合并，造成了瓶颈，使得大规模数据集的实时更新变得不切实际。

此外，许多现有方法将“观察观测的时间”与“事实本身的有效性周期”混淆，从而导致了时序上的不准确。

2. 方法论：ATOM 框架

作者提出了 ATOM（AdapTive and OptiMized），这是一个旨在构建并持续更新动态时序知识图谱（DTKGs）的少样本、可扩展框架。该架构由双重时间建模和并行处理流水线定义。

2.1 双重时间建模

ATOM 区分了两个时间维度：

观测时间 ( $t_{obs}$ )：信息被观察或摄入的时间。
有效性周期 ( $t_{start}, t_{end}$ )：事实成立的固有时间间隔。
这种分离使得系统能够通过将观测时间作为 LLM 的上下文，来处理相对时序表达式（例如“一个月前”），从而推断出有效性周期。

2.2 核心架构

该框架通过三个顺序模块运行：

模块 1：原子事实分解（Atomic Fact Decomposition）
ATOM 不直接处理原始文档，而是将非结构化文本分解为最小的、自包含的“原子事实”。每个事实仅传达一个信息片段。

原理： 这缓解了 LLM 的“遗忘效应”，即模型在长上下文中会优先处理显著信息而忽略关键关系。
优化： 实验确定了小于 400 个 token 的最佳分块大小，以保持高完备性（> 0.8）。

模块 2：原子 TKG 构建
系统从每个原子事实中并行提取五元组（主体, 关系, 客体, $t_{start}$ , $t_{end}$ ）。

预处理： 在提取过程中，系统将“结束动作”类事实（例如“不再担任 CEO”）转换为带有修改后结束时间的肯定形式（例如设置 $t_{end}$ ），以便后续合并。
上下文： 提供少样本示例以引导 LLM 处理相对时序表达式。

模块 3：并行原子合并与 DTKG 更新
提取出的原子 TKGs 通过二分合并算法进行并行合并，在合并阶段避免调用 LLM 以确保可扩展性。

实体解析： 基于精确匹配或余弦相似度（ $\theta_E = 0.8$ ）合并实体。
关系解析： 基于语义相似度（ $\theta_R = 0.7$ ）合并关系名称。
时序解析： 检测并对齐具有相同 $(subject, relation, object)$ 但不同有效期的事实，通过扩展事实的历史记录而非创建重复边来处理。
并行性： 合并过程是迭代且并行的，通过逐步减少 TKGs 的数量，直到获得单个整合后的快照。

3. 核心贡献

原子分解策略： 一种通过将文本分解为原子事实来增强基于 LLM 提取的完备性和稳定性的新颖方法。
双重时间建模： 对 DTKGs 的正式定义，将观测时间与有效性周期分离，提高了时序推理的准确性。
可扩展并行架构： 一个将提取与合并解耦的流水线，利用并行处理技术，与依赖 LLM 或顺序处理的合并方法相比，显著降低了延迟。
开源实现： 该框架作为一个开源 Python 库发布，并附带相关的代码、提示词和数据集。

4. 实验结果

作者在 2020-COVID-NYT 子集（1,076 篇文章）上对 ATOM 进行了评估，对比的基准包括 Graphiti 和 iText2KG。

完备性： ATOM 在事实-时序召回率（ $R_{f,t}$ ）方面比基准方法高出约 18%。它证明了通过将文本分解为原子事实可以防止长上下文处理中常见的信息丢失。
稳定性： 通过使用原子事实，ATOM 将稳定性（通过多次运行间的 Jaccard 相似度衡量）提高了约 33%，与处理原始导言段落相比，显著降低了输出的方差。
延迟与可扩展性： 并行架构实现了 >90% 的延迟降低（对比 Graphiti 为 93.8%；对比 iText2KG 为 95.3%）。该系统能随输入事实的数量有效扩展，而基准方法会因顺序或重度依赖 LLM 的解析步骤而导致延迟增加。
一致性： ATOM 在时序解析方面表现出卓越的性能，能够正确地将具有不同有效期的事实合并为单一历史记录，而 Graphiti 则倾向于创建单独的关系。

注：关于权衡（Trade-offs）： 完备性的提升伴随着事实精确度（~~9%）和事实-时序精确度（~~1%）的轻微下降，这归因于在分解过程中生成了语义合理但并非严格符合金标准（gold-standard）的“推断”事实，以及在时序分配上的细微误差。

5. 意义与主张

论文声称 ATOM 解决了理论上的 TKG 潜力与在动态、实时环境中的实际部署之间的关键差距。通过利用原子分解确保稳定性和完备性，并通过并行合并实现可扩展性，ATOM 实现了知识图谱的持续、低延迟更新。

作者将 ATOM 定位为需要动态记忆的智能体系统（agentic systems）以及需要实时时序推理的应用的鲁棒解决方案。他们也承认了局限性，包括分解步骤可能带来的误差传播，以及两步走过程的计算成本，并建议未来的工作可以包括针对原子事实分解专门微调 LLM，以进一步优化性能和成本。