G2S框架：时序知识图谱中的知识解耦与泛化提升

1. G2S框架：解耦知识提升大模型在时序知识图谱中的泛化能力

时序知识图谱（Temporal Knowledge Graph, TKG）作为知识表示的重要形式，正在金融风险预测、医疗诊断辅助、事件演化分析等领域展现出巨大价值。然而传统方法面临一个根本性矛盾：既要捕捉跨领域的通用时序规律，又要适配具体场景的特殊知识。这种"既要又要"的需求往往导致模型陷入两难境地——过度适配特定场景会丧失泛化能力，而完全通用化又难以满足实际业务需求。

我们团队在ACL 2025发表的G2S（General-to-Specific）框架，创新性地采用知识解耦策略，将学习过程明确划分为通用模式捕获和场景知识注入两个阶段。这种"分而治之"的思路不仅显著提升了模型性能，更在零样本迁移场景下实现了惊人的87.88%的H@1准确率。下面我将从技术细节到工程实践，完整解析这套框架的设计哲学与实现路径。

2. 核心问题与创新思路

2.1 时序知识图谱的双重特性

传统知识图谱以（主体，关系，客体）三元组存储事实，而时序知识图谱引入了第四维度——时间戳，形成（s, r, o, t）四元组结构。这种扩展带来了新的技术挑战：

1. 通用时序模式：不同领域的事件演化遵循相似的时序规律。例如金融市场的"黑天鹅事件"和医疗领域的"并发症爆发"，都呈现从量变到质变的非线性发展特征。
2. 场景特定知识：每个领域的实体和关系具有独特性。医疗领域的"药物相互作用"与金融领域的"市场联动"虽然都是关联关系，但具体表现截然不同。

2.2 现有方法的局限性

当前主流方法主要分为两类：

• 传统神经网络方法：如RE-GCN、TANGO等，通过图神经网络与时序模型的结合处理TKG。这类方法在单一数据集上表现良好，但跨场景泛化能力差，需要大量标注数据重新训练。
• 大语言模型方法：直接使用LLMs处理TKG预测任务。虽然泛化性有所提升，但由于通用模式与场景知识的纠缠，模型容易陷入"知识混淆"——将A领域的时序规律错误应用到B领域。

2.3 G2S的创新突破

我们的核心发现是：通用时序模式的学习与场景知识的适配本质上是正交的。基于此，G2S框架采用两阶段解耦策略：

1. 通用学习阶段：通过精心设计的匿名化策略，剥离场景特异性信息，迫使模