TempReasoner: רשתות גרפים נוירוניות זמניות לבניית צירי זמן של אירועים

מדוע צירי זמן חשובים בעולם של אירועים מתמשכים

יום־יום ארגונים טובעים במידע עם תיוגי זמן: התראות חדשות, רשומות רפואיות, מסמכים משפטיים, יומני חיישנים ועוד. להבין מה קרה, באיזה סדר ומה גרם למה — זו משימה קשה יותר משנראה, במיוחד כשהרמזים מפוזרים במקורות רבים. המאמר מציג את TempReasoner, מערכת בינה מלאכותית שמתוכננת להפוך באופן אוטומטי נתונים מבולגנים ותלוּי־זמן לצירי זמן ברורים וכרונולוגיים שאנשים יכולים לסמוך עליהם.

מנתונים מפוזרים לסיפור של מה שקרה

מרבית הנתונים בעולם האמיתי לא מגיעים ככרונולוגיה מסודרת. תיק משפטי עשוי להתפרש על פני שנים של הגשות, מיילים וראיונות; התפרצות מחלה עשויה להירשם בתוצאות מעבדה, תיעודי בית־חולים ודיווחים חדשותיים. TempReasoner מתמודד עם זה על ידי טיפול בכל אזכור של אירוע כצומת בגרף, המקושרת בקשרים שתופסים מתי אירועים מתרחשים ואיך הם מתקשרים. המערכת קוראת טקסט גולמי או רשומות מובנות, מחלצת תיאורי אירועים וסימני זמן, וממירה אותם לווקטורים מספריים שתופסים גם משמעות (מה קרה) וגם תזמון (מתי זה קרה). המערכת תוכננה לפעול בתחומים רבים — מפוליטיקה ומשפט לרפואה ומהנדסה — מבלי לכתוב אותה מחדש עבור כל תחום.

להסתכל על הזמן ממספר זוויות בו־זמנית

רעיון מרכזי ב‑TempReasoner הוא שהזמן אינו אחיד לכל השאלות. חלק מהשאלות תלויות בדקות או שעות — למשל אם מנה של תרופה ניתנה לפני תגובה — ואחרות תלויות בחודשים או שנים, כמו הסלמה שהובילה למשבר דיפלומטי. TempReasoner משתמש בתשומת לב זמנית רב‑קנונית כדי לזהות דפוסים בכמה רזולוציות זמן בו־זמנית. הוא מקודד בנפרד אותות דקים (למשל ברמת הדקה או היום) ומגמות גסות (חודשים או שנים), ואז מאחד אותם כדי שהמודל יוכל לשקלל פיתולים קצרי‑טווח מול קווי עלילה ארוכי‑טווח. בפועל זה מאפשר למערכת לעקוב אחרי התפתחויות מהירות, כמו רצף עסקאות בשוק פיננסי, ועדיין להבין עלילות רחבות יותר, כגון ההחרפה ההדרגתית של מתחים בין מדינות.

בניית וביסוס מפת אירועים חיה

במקום להתבסס על סט קבוע של קישורים בין אירועים, TempReasoner לומד ומתעדכן באופן מתמשך איך יש לקשר אירועים זה לזה. מודול הבנייה האדפטיבי של הגרף מעריך עד כמה שני אירועים דומים במשמעות וכמה קרובים הם בזמן, ואז מחליט עד כמה לקשר ביניהם. מעל רשת המשתנה הזו, מקודד היררכי משלב שני סוגי מעבדים: רשת חוזרת שמצטיינת במעקב אחרי רצפים שלב־אחר־שלב ומנגנון תשומת לב בסגנון טרנספורמר היכול לקפוץ על פני מרווחי זמן ארוכים ולחבר אירועים רחוקים אך קשורים. פונקציית "אובדן עקביות" ייעודית דוחפת את המודל להימנע מסתירות ברורות — למשל למנוע שמקום של אירוע שמוכר כמאוחר יותר ימוקם מוקדם יותר בציר — ובאותו הזמן מאפשרת אי־וודאות כאשר הנתונים מעורפלים או סותרים.

ללמד את המערכת לפתור מצבים מבלבלים

הנתונים במציאות מבולגנים: ביטויים זמניים כמו "מייד לאחר מכן" או "בערך באותו זמן" עמומים, ומקורות שונים עלולים שלא להסכים. כדי להתמודד עם זה, TempReasoner מוסיף שכבת למידה בחיזוק שפועלת כסוכן מקבל החלטות. אחרי שהמודל הראשי מציע טיוטת ציר זמן, הסוכן הזה מנסה שינויים קלים — שינוי סדר האירועים, הכנסת קישורים חסרים או התאמת יחסים — ומקבל תגמול כשהציר הסופי מדויק יותר ועקבי לוגית. לאורך ניסיונות רבים הוא לומד אסטרטגיות לפתרון מקרים קשים, כגון שיחזור סדר של פרוצדורות רפואיות מתוך פתקיות חלקיות או יישור דיווחים סותרים על התפתחויות מהירות.

כמה טוב זה עובד ובאילו שימושים

המחברים בחנו את TempReasoner על חמישה מאגרים ידועים המכסים אירועים פוליטיים, חדשות וצירים מתויגים לשוניים. המערכת השיגה דיוק של 94.3% בסידור אירועים, על פני מותאמים ספציפיים רבים, ובאותו זמן רצה במהירות מספקת לשימוש כמעט בזמן אמת — כ‑127 מילישניות לכל רצף אירועים. היא גם הכלילה היטב בין תחומים: מודל שאומן על נתונים משפטיים הצליח להתאים לעצומות ביומדיות או לחדשות עם התאמה מינימלית. להגדרות קלות משקל יותר, כמו מכשירי edge או שרתים קטנים, קיימת גרסה מצומצמת בשם TempReasoner‑Lite שמציעה רוב הדיוק עם דרישות חישוביות נמוכות בהרבה.

מה המשמעות לשימושים יומיומיים

באופן פשוט, TempReasoner הוא כלי להפיכת ערמות עובדות מתויגות־זמן לסיפורים קריאים ומהימנים על מה קרה ולמה. במשפט, הוא יכול לעזור לחוקרים להרכיב צירי זמן של תיק מתוך אלפי מסמכים. בבריאות, הוא יכול להבהיר את סדר הטיפולים והתוצאות בהיסטוריות מטופלים מורכבות. לעיתונאים ואנליסטים הוא יכול לתמוך בבדיקת עובדות על ידי יישור דיווחים והדגשת סתירות. המחברים מציינים שהמערכת עדיין מתקשה עם שפה מאוד עמומה וצירי זמן ארוכים מאוד, ומדגישים את הצורך בפיקוח אנושי, במיוחד בסביבות רגישות. אף על פי כן, TempReasoner מייצג צעד משמעותי לקראת בינה מלאכותית שלא רק מזהה אירועים, אלא גם מבינה כיצד הם מתרחשים לאורך זמן באופן התואם להסקה האנושית.

ציטוט: Aldawsari, M. TempReasoner: neural temporal graph networks for event timeline construction. Sci Rep 16, 4985 (2026). https://doi.org/10.1038/s41598-026-35385-w

מילות מפתח: הסקת זמן, צירי זמן של אירועים, רשתות עצביות גרפיות, גרפי ידע, למידה עמוקה