MemoTime: Memory-Augmented Temporal Knowledge Graph Enhanced Large Language Model Reasoning

文章核心总结与创新点

主要内容

文章针对大语言模型（LLMs）在时间推理任务中存在的时序一致性不足、多实体同步困难等问题，提出了MemoTime框架——一种融合记忆增强与时序知识图谱（TKG）的推理架构。该框架通过结构化时间锚定、层级化推理分解、动态证据检索与剪枝、持续经验学习四大核心模块，将复杂时序问题转化为可执行的子查询链，在MultiTQ和TimeQuestions等基准数据集上实现了当前最优性能，使小模型（如Qwen3-4B）能达到接近GPT-4-Turbo的推理水平。

核心创新点

1. 层级化时间推理树（Tree of Time）：将复杂时序问题递归分解为子问题树，确保所有分支继承统一时间约束，维持时间戳单调性。
2. 算子感知的动态检索：设计专用时序推理工具库，针对不同时间算子（如before/after、first/last）自适应选择检索策略，平衡覆盖度与准确性。
3. 自进化经验记忆：存储验证过的推理轨迹、工具选择和子查询嵌入，支持跨类型复用，避免重复计算并持续优化性能。
4. 多实体时序同步：在统一时间框架下协同约束多个实体，确保推理路径的全局时间一致性，解决独立实体探索导致的时序错位问题。

翻译部分（Markdown格式）

Abstract</