C-Unseen：基于大语言模型推理的动态时序知识图谱弱信号检测

arXiv 上发布论文 C-Unseen，提出在动态时序知识图谱（DTKG）中用 LLM 推理检测弱信号。该框架包含两个模块：稀有子图提取器通过思维链识别与快照主流叙事冲突的子图，弱信号告警器追踪这些子图跨时间步的持续性以筛选真正弱信号。实验显示其优于关键词、主题和基于图的方法。

此前弱信号检测依赖关键词频率、主题建模或未标注图结构，难以捕捉语义和关系结构。C-Unseen 将 LLM 推理引入动态时序知识图谱，能识别与主流叙事冲突的稀有子图并跟踪其持续性，检测能力超过现有基线，为早期信号发现提供了新路径。

弱信号被视为在连续快照中扩张的稀有、语义一致子图。LLM 通过思维链推理识别内容与主流叙事相悖的子图，再跨时间步追踪其持续性，以此排除随机噪声，聚焦真正的早期指标。这种方式利用语义理解弥补传统方法的不足。

对产品研发而言，可集成类似逻辑到情报监测或市场预警系统，提高早期风险或机会的识别精度。LLM 推理可能增加计算成本，但若优化推理链路，可提升自动化分析效率，减少人工筛选成本，并改善用户体验。

• 在舆情监测产品中，用 C-Unseen 原理识别潜在热点或风险事件，提前预警。
• 为竞品分析工具增加动态图谱模块，追踪新兴技术或市场动向的早期信号。
• 将 LLM 推理用于内部数据监测，自动标记与主流趋势冲突的异常子图。

• C-Unseen 在不同领域（如金融、医疗）的泛化能力如何？
• LLM 推理的计算成本是否适合实时或大规模部署？
• 如何评估弱信号检测结果的准确率和误报率？