ATOM: Adaptieve en Geoptimaliseerde dynamische temporele kennisgraafconstructie met behulp van LLM's

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

October 26, 2025

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

cs.AI

Samenvatting

In het huidige snelgroeiende gegevenslandschap is kennisonttrekking uit ongestructureerde tekst van cruciaal belang voor realtime-analyses, temporele inferentie en dynamische geheugenkaders. Traditionele constructie van statische kennisgrafen (KG) negeert echter vaak de dynamische en tijdgevoelige aard van real-world gegevens, wat de aanpasbaarheid aan continue veranderingen beperkt. Bovendien kampen recente zero- of few-shotbenaderingen die domeinspecifieke fine-tuning of afhankelijkheid van vooraf opgebouwde ontologieën vermijden, vaak met instabiliteit over meerdere runs en onvolledige dekking van kernfeiten. Om deze uitdagingen aan te pakken, introduceren we ATOM (AdapTive and OptiMized), een few-shot en schaalbare aanpak die Temporele Kennisgrafen (TKG's) bouwt en continu bijwerkt vanuit ongestructureerde teksten. ATOM splitst invoerdocumenten in minimale, zelfstandige "atomische" feiten, wat de exhaustiviteit en stabiliteit van de onttrekking verbetert. Vervolgens construeert het atomische TKG's vanuit deze feiten met een dubbele-tijdmodellering die onderscheid maakt tussen wanneer informatie wordt waargenomen en wanneer deze geldig is. De resulterende atomische TKG's worden parallel samengevoegd. Empirische evaluaties tonen aan dat ATOM ~18% hogere exhaustiviteit, ~17% betere stabiliteit en een latency-reductie van meer dan 90% bereikt in vergelijking met baseline-methoden, wat een sterk schaalbaarheidspotentieel aantoont voor dynamische TKG-constructie.

English

In today's rapidly expanding data landscape, knowledge extraction from unstructured text is vital for real-time analytics, temporal inference, and dynamic memory frameworks. However, traditional static knowledge graph (KG) construction often overlooks the dynamic and time-sensitive nature of real-world data, limiting adaptability to continuous changes. Moreover, recent zero- or few-shot approaches that avoid domain-specific fine-tuning or reliance on prebuilt ontologies often suffer from instability across multiple runs, as well as incomplete coverage of key facts. To address these challenges, we introduce ATOM (AdapTive and OptiMized), a few-shot and scalable approach that builds and continuously updates Temporal Knowledge Graphs (TKGs) from unstructured texts. ATOM splits input documents into minimal, self-contained "atomic" facts, improving extraction exhaustivity and stability. Then, it constructs atomic TKGs from these facts while employing a dual-time modeling that distinguishes when information is observed from when it is valid. The resulting atomic TKGs are subsequently merged in parallel. Empirical evaluations demonstrate that ATOM achieves ~18% higher exhaustivity, ~17% better stability, and over 90% latency reduction compared to baseline methods, demonstrating a strong scalability potential for dynamic TKG construction.