3. 时序关系抽取：事件时序关系分类、因果时序关系抽取、时序关系表示与存储
好，咱们进入第三章。这一章我打算聊聊时序关系抽取。说白了，就是怎么让机器理解事件发生的先后顺序，以及谁导致了谁。
你想想看，在风控场景里，我们经常要判断“先有鸡还是先有蛋”。比如用户先登录，然后转账，最后被风控拦截。这个顺序一旦乱了，模型就可能误判。我见过不少团队，把时序搞反了，结果模型把正常交易判成了欺诈。
3.1 事件时序关系分类
事件时序关系分类，核心就是判断两个事件谁先谁后。常见的分类有几种：
- 前序关系：事件A发生在事件B之前。比如“用户注册” → “用户首次充值”。
- 后序关系：事件A发生在事件B之后。其实就是前序的逆序。
- 同时关系：两个事件发生在同一时间窗口。比如“用户登录”和“设备指纹采集”。
- 包含关系：一个事件的时间跨度包含了另一个。比如“交易会话”包含了“点击支付按钮”。
我个人习惯把这种分类做成一个多分类模型。输入是两个事件的文本描述，输出是它们的关系类型。举个例子：
输入: "用户在10:00登录" , "用户在10:05转账"
输出: 前序关系 (登录 → 转账)
这里有个坑。我曾经遇到过，事件描述里没有明确的时间戳，只有“之后”、“然后”这类词。这时候模型容易混淆。我的建议是，先做一层时间表达式归一化，把“之后”映射成相对时间偏移。
3.2 因果时序关系抽取
因果时序关系，比单纯的先后顺序更难。它不仅要判断谁先谁后，还要判断是不是“因为A所以B”。
举个例子：
- “用户输错密码三次” → “账户被锁定”。这是因果。
- “用户输错密码三次” → “用户去喝了杯水”。这不是因果，只是先后。
在风控里，因果抽取特别重要。我记得有个项目，需要判断“频繁更换设备”是不是导致“交易失败”的原因。如果只是时序上的巧合，模型就会误判。
因果抽取的常用方法有两种：
- 基于规则的方法：定义一些因果触发词，比如“导致”、“因为”、“所以”。但缺点是覆盖不全。
- 基于深度学习的方法：用BERT之类的模型，输入事件对，输出是否因果。我建议用后者，准确率更高。
这里要特别小心。因果关系的方向不能搞反。我曾经犯过一个错误，把“交易失败”当成原因，“用户投诉”当成结果。实际上，用户投诉是因为交易失败。方向错了，整个风控规则就废了。
3.3 时序关系表示与存储
抽取出时序关系后，怎么存？怎么用？这是工程落地的问题。
我常用的表示方式有三种：
| 表示方式 | 适用场景 | 优点 | 缺点 |
|---|---|---|---|
| 时间戳序列 | 事件有精确时间 | 简单直观 | 无法表达复杂关系 |
| 时序图 | 事件关系复杂 | 支持推理 | 存储开销大 |
| 关系数据库表 | 结构化数据 | 查询方便 | 扩展性差 |
我个人偏爱时序图。因为风控场景里，事件之间的关系往往是网状结构，不是线性的。比如一个用户的行为路径，可能同时存在多个分支。
下面是我画的一张时序关系抽取的整体流程图，你可以看看核心逻辑：
这张图展示了从事件文本输入，到分类、抽取，最后存储的完整流程。注意那个反馈回路，我建议在实际系统中加上。因为模型会不断遇到新的事件类型，需要持续迭代。
嗯，关于时序关系抽取，今天就聊这么多。记住，分类要准，因果要慎，存储要快。这三样做好了，你的时序知识图谱就成功了一大半。