Name: 时间之网：时序知识图谱的构建与推理
Author: gpt-5.2

导论：从“静态事实库”到“时间演化的知识系统”

我们习惯把知识写成“事实”：谁与谁是什么关系、某个属性是多少、某条规则是否成立。传统知识图谱（Knowledge Graph, KG）正是以此为核心，将世界抽象为由实体、关系与属性构成的结构化网络，并用三元组 $(h,r,t)$（头实体、关系、尾实体）表达“恒真”的陈述。然而，现实世界更像一部持续更新的编年史：企业会并购、药物指南会更新、政治联盟会重组、一个人会在不同时间担任不同职务。若我们仍将这些变化压扁为不带时间的静态事实，就不可避免地引入矛盾、信息丢失与推理错误。时序知识图谱（Temporal Knowledge Graph, TKG）由此出现：它不是在静态图谱上“附加一个字段”，而是将时间作为一等公民，重塑知识的表示方式、学习范式、推理目标与评估标准。

> 关键转变在于：静态知识图谱回答“是否为真”，时序知识图谱还要回答“何时为真、持续多久、在什么条件下为真、未来可能如何变化”。

---

静态知识图谱：核心假设与边界

三元组表示与“时间被隐去”的代价

静态知识图谱通常以三元组集合 $\mathcal{G}=\{(h,r,t)\}$ 为基本数据形态，配合本体（ontology）或模式（schema）约束类型、域与值域，并借助图数据库/三元组存储（RDF Store）实现查询与管理。它的有效性建立在一个隐含前提上：图谱中的事实在研究窗口内足够稳定，或者我们愿意忽略其变化。

这一前提在百科知识、地理信息等场景中常常成立或近似成立。例如“巴黎是法国的首都”在较长时间尺度上基本不变；“水的化学式是 H₂O”在科学共识层面也不随时间改变。但在大量实际问题中，时间隐去会产生三类系统性代价：

1. 语义冲突（Semantic Conflict）：同一对实体在不同时间具有不同关系，静态图谱会把它们压在一起，导致冲突难以消解。

例：`(X, CEO_of, CompanyA)` 在 2018 与 2024 可能对应不同的人。

2. 因果与顺序信息丢失（Loss of Order/Causality）：许多推理依赖“先后次序”。时间被抹去后，模型只能看到共现而看不到演化路径。

例：某设备故障是否由“更新固件”导致，关键在于事件顺序。

3. 评估泄漏（Evaluation Leakage）：训练数据若包含“未来事实”，静态切分会让模型不经意学到未来信息，造成虚高的性能评估。

例：用 2020 年后的关系预测 2019 年的事实，本质上是“开卷考试”。

静态图谱与动态网络：相似但不等价

图挖掘领域早已有“动态网络（dynamic graph）”“时间演化图（temporal graph）”等概念。它们与时序知识图谱相似之处在于都关注随时间变化的图结构，但研究对象与语义颗粒度存在差异：

动态网络常以边的出现/消失为主，语义多为同质边（friend、follow、call）。
时序知识图谱强调“关系类型语义 + 事实有效性时间”，常含异质关系、属性、限定词（qualifier）与模式约束，并要求可解释的时间语义。

因此，本书讨论的“时序知识图谱”更接近“带时间语义的知识系统”，而不仅是“会动的图”。

---

时序知识图谱：定义、数据形态与研究对象

从三元组到四元组（或区间事实）

最常见的时序知识表示是将事实扩展为四元组： $$ (h,r,t,\tau) $$ 其中 $\tau$ 是时间戳（timestamp）。当事实具有持续性时，时间更自然的表达是时间区间： $$ (h,r,t,[\tau_s,\tau_e)) $$ 例如：

（Alice，担任，CompanyA-CEO，[2019-01, 2021-06)）
（CompanyA，并购，CompanyB，2020-10-15）

在工程系统中，还经常区分两类时间（双时态，bitemporal）：

**有效时间（valid time）**：事实在现实世界中成立的时间。
**记录时间（transaction time）**：事实被写入系统的时间（用于审计、回溯与数据治理）。

二者不一致时，系统必须能够回答“我们何时知道这件事”和“这件事何时发生”这两种不同问题。

[^1]: 双时态思想广泛用于金融、保险、审计等领域的数据仓库建模。其引入会显著增加存储与查询复杂度，但能提升治理与可追溯性。

“时间”的三种语义角色

在 TKG 中，“时间”并非只有一种含义，至少可分为三类角色：

1. 事实有效性（Validity）：事实在某时刻/区间为真。 2. 事件发生时间（Occurrence）：事件在某时刻发生，强调瞬时性与序列。 3. 观测时间/采样时间（Observation）：我们何时观测到信号，常见于传感器、日志与监控。

这三者在数据层面可能被混用：例如新闻事件库（event KG）常将事件发生时间作为时间戳；百科型图谱（如带限定词的声明）则更强调有效区间。研究者若不先澄清时间语义，后续的表示与评估往往会“概念漂移”：看似同一个任务，实际在回答不同问题。

研究边界：我们到底在建什么？

本书将“时序知识图谱的构建与推理”限定在如下对象与问题集合之内：

**对象**：实体—关系事实随时间变化的集合，可包含事件、属性、限定词与模式约束。
**目标**：在保证时间一致性的前提下，实现补全、查询、预测、解释与工程落地。
**不直接覆盖但会关联**：纯连续时间信号建模、仅以拓扑变化为主的动态图嵌入、无关系语义的时序网络分析。

---

为什么“时间”会改变表示、推理与评估范式

为了直观展示差异，可以先用一张对比表概括静态 KG 与 TKG 的核心分歧。

| 维度 | 静态知识图谱（KG） | 时序知识图谱（TKG） | |---|---|---| | 基本单元 | $(h,r,t)$ | $(h,r,t,\tau)$ 或 $(h,r,t,[\tau_s,\tau_e))$ | | 语义假设 | 事实在窗口内稳定 | 事实有有效期/演化规律 | | 主要任务 | 链接预测、实体对齐、问答 | 时间感知补全、时间预测、事件预测、时序问答 | | 推理关注点 | 结构一致性、逻辑约束 | 结构 + 时间一致性、顺序/持续性、非平稳性 | | 评估切分 | 随机划分常见 | 必须时间切分，防泄漏 | | 工程挑战 | 存储与查询规模 | 流式更新、版本管理、增量学习、时间索引 |

下面分别讨论三项最关键的范式变化。

表示范式：时间不是“附属字段”，而是结构的一部分

时间粒度与离散化：建模的第一道选择题

时间可以按天、按小时、按分钟甚至连续时间表示。粒度选择会直接改变学习难度与推理能力：

粒度过粗：不同事件挤在同一时间桶，模型难以捕捉顺序与因果。
粒度过细：时间取值爆炸，数据稀疏，训练不稳定，泛化变差。

工程上常见的折中策略包括：按业务语义分桶（如财报季度、版本发布周期），或在离散桶之上再叠加连续时间编码。

时间编码：从“索引”到“可泛化的表示”

若将时间仅当作类别索引（例如给每一天一个 ID），模型只能记忆出现过的时间点，难以泛化到未见时间。更具泛化性的做法是连续时间编码，例如借鉴 Transformer 的正弦位置编码思想： $$ \phi(t)_{2k}=\sin(\omega_k t),\quad \phi(t)_{2k+1}=\cos(\omega_k t) $$ 其中 $\omega_k$ 控制不同尺度的周期。直观理解是：模型不再“背诵某一天”，而是学习“时间的几何结构”，使相近时刻在表示空间中更接近。

> 侧栏：时间编码的直觉 > 把时间当作“第 1 天、第 2 天”类似给日期贴标签；而用连续编码则像给时间轴画坐标，使模型能理解“相距 1 天”与“相距 1 年”的不同含义。

时间区间与 Allen 关系：持续性事实需要新的逻辑

对区间事实而言，两个区间可能满足相交、包含、相邻等关系。经典的 Allen 区间代数提供了 13 种基本关系（before、meets、overlaps、during 等）。在 TKG 中，这些关系不只是逻辑推理工具，也会影响特征构造与约束设计。例如，“任职”类关系往往要求区间不重叠，“合同”类关系可能允许重叠但需要优先级。

推理范式：从“补全缺失”到“理解演化与预测未来”

推理目标发生扩展

静态 KG 的典型任务是链接预测：给定 $(h,r,?)$ 或 $(?,r,t)$ 预测缺失实体。TKG 在此基础上出现更丰富的目标：

**时间感知链接预测**：给定 $(h,r,?,\tau)$ 预测某时刻的尾实体。
**时间预测**：给定 $(h,r,t,?)$ 预测事实发生时间或有效区间。
**事件预测/趋势预测**：基于历史序列预测未来一段时间内可能发生的新事实。
**时序查询问答**：回答“在 2019 年谁是 CEO”“某关系首次出现于何时”“某事实持续了多久”等。

这些目标共同要求模型具备两种能力： 1) 对过去与现在的事实给出时间一致的解释（retrodiction）； 2) 对未来进行可控的不确定性预测（forecasting）。

非平稳性：规律会变，模型不能假装世界不变

时间引入最棘手的问题之一是分布漂移（distribution shift）：关系模式可能随时间改变。比如早期互联网公司更频繁并购，成熟期并购节奏放缓；某疾病的治疗方案随指南更新而变化。若模型假设数据分布平稳，将导致未来预测系统性偏差。

形式化地说，静态任务往往默认从同一分布 $P(h,r,t)$ 采样；而时序任务更接近： $$ P_\tau(h,r,t)\ \text{随}\ \tau\ \text{变化} $$ 因此，时序推理不仅是“多加一个输入”，还涉及在线学习、增量更新、概念漂移检测等问题。

时间约束与可解释规则：从相关到因果更近一步

时间使规则学习更接近“机制”层面的解释。例如，下面是一条带时间约束的规则（示意）：

若在时间 $\tau$ 发生（A，收购，B，$\tau$），则在 $\tau$ 之后的一段时间内更可能出现（A，拥有，B 的资产，$\tau'$），其中 $\tau' > \tau$。

用符号写作： $$ (A,\text{acquire},B,\tau)\Rightarrow (A,\text{own},\text{assetOf}(B),\tau')\ \wedge\ \tau'<\tau+\Delta $$ 这类规则的价值在于：它不仅给出“可能成立的结论”，还给出“时间窗口”，从而可用于审计、监控与告警。

---

评估范式：不再是“随机抽样”，而是“时间上的公平考试”

时间切分是底线：防止未来信息泄漏

在 TKG 评估中，最基本原则是：训练集时间必须早于测试集时间。否则模型可能借助未来事实“回填过去”，造成不真实的高分。

一个简单但实用的时间切分伪代码如下：

```python def temporal_split(facts, split_time): train = [f for f in facts if f.time < split_time] test = [f for f in facts if f.time >= split_time] return train, test ```

进一步地，若事实是区间，还需要处理跨越切分点的事实（截断、复制或按业务规则分配），这会显著影响指标与结论。

指标也要时间化：你在评“当时”的正确性还是“总体”的正确性？

常见的排名指标（MRR、Hits@K）在 TKG 中仍然适用，但通常需要按时间片汇总（time-aware aggregation），以避免某些时间段样本更多导致的偏置。另一方面，面向预测的任务还可能需要概率校准类指标（如 Brier Score）或区间误差指标（如 MAE on time）。

> 经验提醒：若一个模型在随机切分上显著优于基线，但在时间切分上优势消失，往往意味着它学到的是“静态共现”而非“演化规律”。

---

本书的方法论框架：数据—表示—学习—推理—评估—应用—工程

为了在复杂系统中保持一致的任务视角，本书采用一条从数据到落地的链式框架。读者可以将其理解为“构建时序知识系统的生产流水线”，每一环节既能独立研究，又必须与上下游共同设计。

```mermaid graph TD A[数据 Data] --> B[表示 Representation] B --> C[学习 Learning] C --> D[推理 Reasoning] D --> E[评估 Evaluation] E --> F[应用 Application] F --> G[工程 Engineering] G --> A ```

这条链条还隐含一个重要事实：时序知识系统往往是闭环。系统上线后会产生新数据（日志、反馈、纠错），这些数据反过来推动图谱更新与模型迭代，形成“持续学习”的循环。

各环节的核心问题清单（作为全书索引）

**数据**：时间信息从何而来？缺失/噪声如何处理？如何进行实体消歧与时间对齐？
**表示**：用时间戳还是时间区间？如何编码时间粒度？如何表达限定词与上下文？
**学习**：选择嵌入模型、时序图神经网络还是序列模型？如何做增量训练与漂移适应？
**推理**：做补全、时间预测还是事件预测？如何融入规则、约束与可解释性？
**评估**：如何切分数据？如何避免泄漏？指标如何与业务目标一致？
**应用**：在金融、医疗、安全等场景如何定义可落地任务与反馈机制？
**工程**：如何存储与索引时间事实？如何做版本管理与可追溯？如何在流式更新下保持一致性？

---

阅读路线：18 章结构的“任务导航图”

本书共 18 章，按“从基础概念到系统落地”的顺序组织，同时提供可按兴趣跳读的路线。

1. 导论：从静态事实库到时间演化的知识系统 2. 时序知识的来源：事件数据、百科限定词与日志流 3. 时间建模基础：时间戳、区间、双时态与粒度选择 4. 时序知识表示：四元组、限定词与事件本体 5. 数据构建流程：抽取、对齐、消歧与质量控制 6. 存储与索引：时间切片、区间索引与版本管理 7. 时序嵌入方法（一）：时间参数化与平移类模型 8. 时序嵌入方法（二）：基于序列与注意力的表示学习 9. 时序图神经网络：消息传递在时间轴上的重构 10. 规则与逻辑：时间约束、可解释推理与神经符号融合 11. 时序补全任务：设定、难点与典型算法 12. 时间预测与区间推断：从发生时刻到持续时间 13. 事件预测与演化建模：从历史到未来的生成式视角 14. 时序查询与问答：复杂查询、路径与聚合 15. 评估方法学：时间切分、指标选择与误差诊断 16. 典型应用（一）：金融风控、反洗钱与合规审计 17. 典型应用（二）：医疗诊疗路径、药物警戒与公共卫生 18. 工程化落地：流式更新、在线推理、监控与治理

数字版阅读建议：可将上述章名作为书内锚点链接（例如 `#时序图神经网络`），便于在屏幕端快速跳转与检索。纸书阅读建议：先通读第 1–6 章形成共同语言，再按任务需要深入方法章与应用章。

---

典型应用场景：时间带来的“新问题”长什么样

时序知识图谱的价值不在于“让图谱更复杂”，而在于它能把许多原本难以结构化的问题，转化为可计算、可评估、可迭代优化的任务。下面列举若干典型场景，并用具体案例说明“时间”如何改变问题定义。

场景一：企业与产业链情报——关系随事件重写

在企业图谱中，股权、供应关系、合作关系都可能随并购、制裁、破产而改变。静态图谱常把“曾经的关系”和“当前的关系”混在一起，导致风控误判。

案例（并购后的关系迁移） 假设我们有如下事实序列（示意）：

（CompanyA，并购，CompanyB，2020-10-15）
（CompanyB，供应，CompanyC，[2019-01, 2021-03)）

一个风控问题可能是：在 2020-11 之后，CompanyA 与 CompanyC 是否形成间接供应链风险暴露？ 这需要系统能够在时间维度上做路径推理，并处理区间截断（CompanyB 的供应关系在 2021-03 结束）。

在公开事件数据集中（如新闻事件库、政府公告、企业年报抽取），事件量级常可达到几十万到数千万，且时间戳密集。对这类数据，系统不仅要“存得下”，还要“跟得上”更新频率。

场景二：医疗与健康——诊疗知识与个体病程都是时间序列

医疗知识天然带时间：诊断发生在某时刻，药物有疗程，化验指标有趋势，指南会更新。若只用静态事实表达，很难回答临床常见问题：

某药物在开始使用后多久出现不良反应概率上升？
某病人在过去 30 天的用药与检验序列是否提示并发症风险？
在某指南版本生效之后，哪些治疗路径不再推荐？

案例（用药—不良反应的时间窗口） 设事实：

（DrugX，可能导致，AdverseEventY，[用药后第 3 天, 第 14 天]）
（PatientP，开始服用，DrugX，2025-01-01）

系统应能推出：PatientP 在 2025-01-04 至 2025-01-15 的窗口内风险更高，从而触发更密集的监测。这不是单纯的链接预测，而是时间区间推断 + 个体化时间对齐。

> 侧栏：医疗场景的“时间一致性” > 同一事实在不同指南版本下可能真假不同。工程上可用“双时态”记录“指南有效期”和“系统录入时间”，以支持追溯“当时为什么这样决策”。

场景三：网络安全与运维——日志流驱动的在线知识系统

安全与运维数据往往以日志流形式出现：告警、登录、进程、网络连接。它们具有强烈的顺序性与短