为Graph-RAG添加时间推理：追踪事实的新鲜度与陈旧度
内容提要
文章介绍为Graph-RAG加入轻量级时间推理层：将传统主谓宾三元组扩展为带时间戳的四元组并存入时间图，用指数衰减计算事实新鲜度权重，按查询日期对冲突事实排序。示例追踪公司CEO变动，展示不同查询日期下答案权重变化，并建议调整半衰期参数。最后提出将时间图接入三层Graph-RAG检索流程，只把最高权重事实传入提示，减少模型猜测。
延伸解读
时间推理如何解决事实冲突
在传统知识图谱中，事实被存储为无时间戳的三元组，当同一主语和谓语存在多个宾语时，系统无法判断哪个更可信。本文通过为每个事实添加时间戳，并利用指数衰减计算新鲜度权重，使系统能根据查询日期自动排序冲突事实。例如，在CEO变动案例中，查询2023年11月18日时，只有11月17日之前的CEO信息被考虑，Bob以0.9981的高权重成为答案，而Alice因过于陈旧权重仅0.1396。这种方法将时间维度引入检索，减少了模型猜测，提升了回答的准确性。
半衰期参数的选择与影响
半衰期决定了事实权重衰减的速度，默认365天使一年前的事实权重降为0.5。但在快速变化的场景中，如一周内CEO多次变动，过长的半衰期会导致新旧事实权重接近，难以区分。例如，查询2023年12月1日时，Bob（11月21日）权重0.9812，Charlie（11月19日）权重0.9775，差距微小。文章建议将半衰期调整为7天，以更快淘汰陈旧信息。实际应用中，需根据领域变化频率调整该参数，平衡稳定性和时效性。
集成到三层Graph-RAG检索流程
文章提出将时间图接入原有的三层Graph-RAG检索流程。当用户提问时，检索器不再仅获取文本，而是查询时间图，按置信度权重排序事实，并只将最高权重的事实（或少量排名靠前的事实）传入提示上下文。这样，LLM无需自行判断哪个事实最新，减少了幻觉风险。这种集成方式保持了系统的确定性，同时增强了时间感知能力，使RAG系统能更可靠地处理动态信息。
Q&A
Graph-RAG 中如何表示带时间戳的事实？
将标准的主谓宾三元组扩展为四元组，即（主语，谓语，宾语，时间戳），并存储在时间图中。例如，使用 TemporalGraph 类，通过 add_fact 方法添加事实，内部将数据存储为 Subject -> Predicate -> List of (Object, Date)。
如何计算事实的新鲜度权重？
使用指数衰减公式：weight = (0.5) ^ (age_in_days / half_life_days)。其中 age_in_days 是查询日期与事实日期的天数差，half_life_days 是半衰期参数（默认365天）。如果事实日期晚于查询日期，权重上限为1.0。
当查询日期不同时，冲突事实的排序结果如何变化？
查询时只考虑事实日期不晚于查询日期的事实，并按权重降序排序。例如，查询2023年11月18日的CEO，Bob（2023-11-17）权重0.9981排第一，Alice（2021-01-15）权重0.1396排第二；查询2023年12月1日，Bob（2023-11-21）权重0.9812排第一，Charlie（2023-11-19）权重0.9775紧随其后。
半衰期参数如何影响事实权重的衰减？
半衰期决定事实权重衰减到0.5所需的时间。默认365天意味着一年后权重降为0.5。在快速变化的场景中，365天可能太长，导致新旧事实权重接近；可以调小半衰期（如改为7天）使权重衰减更快，更突出最新事实。
如何将时间图集成到三层 Graph-RAG 检索流程中？
在用户向 LLM 发送提示时，检索器不再只获取文本，而是对时间图执行查询，按置信度权重对事实排序，仅将权重最高的事实（或少量排序列表）传入提示上下文。这样可以在提示到达模型前解决事实时效性问题，减少模型猜测。
为什么标准知识图谱需要添加时间推理？
标准知识图谱将事实视为无时间、上下文无关的三元组，但现实世界不断变化，例如公司CEO可能更换。如果不考虑时间上下文，将过时事实提供给LLM容易导致幻觉和错误回答。添加时间推理可以区分新鲜与陈旧事实，提高回答准确性。
