Prompt-Beschreibung

Okay, hier sind die vollständigen chinesischen Prompts für die fünf Kernfiguren des Papers, die für Sie vorbereitet wurden. Sie können sie direkt in KI-basierte Bildgenerierungstools wie Boardmix AI kopieren und einfügen. Abbildung 1: Gesamtarchitekturdiagramm des Modells Prompt: "Generiere ein wissenschaftliches Architekturdiagramm für eine wissenschaftliche Arbeit über künstliche Intelligenz, mit einem Stil, der Top-Zeitschriften ähnelt, einfach und modern. Die Hauptfarben sind Indigo, Türkis und Schiefergrau. Layout: Horizontales Flussdiagramm, Informationsfluss von links nach rechts. Linker Input: Zwei parallele Input-Streams: "Globale historische Informationen" (Würfelstapel links) und "Lokale historische Informationen" (Würfelstapel rechts). Es gibt ein "Snapshot Sequence"-Netzwerksymbol, das den zentralen Pfad oben verbindet. Zentraler Kern: Der obere Pfad ist das "Multi-Hop Aggregation Module", mit einer Hypergraph-Struktur im Inneren (ein zentraler Knoten, der mit mehreren Knoten verbunden ist). Der untere Pfad ist das "Local Periodicity-Aware Evolution Module", mit einem kreisförmigen Pfeilsymbol. Beide Module erhalten Input von beiden Seiten. Rechter Output: Die Outputs der beiden Module konvergieren im "Contrastive Learning Module" auf der rechten Seite. Dieses Modul gibt zwei Ellipsen aus: "Entity Prediction Loss" und "Contrastive Learning Loss". Oben befindet sich ein "Prediction Target"-Feld, das auf dieses Modul zeigt. Stil: Verwenden Sie durchgezogene Pfeile. Der obere Pfad ist hellblau und der untere Pfad ist hellgrün. Alle Module sind rechteckig und haben ausgerichteten Text." Abbildung 2: Semantische Initialisierung und dynamische Hypergraph-Konstruktion Prompt: "Erstelle eine zweispaltige (A und B) Concept Map. Spalte A (Semantische Initialisierung): Der Text '(Subjekt-Entität, Relation, Objekt-Entität)' auf der linken Seite gelangt in das 'BERT'-Feld, und der ausgegebene Feature-Vektor durchläuft die 'Linear Projection Layer', um 'Semantisch verbesserte initiale Embeddings' zu generieren (eine Menge von Knoten und Kanten). Spalte B (Dynamische Hypergraph-Konstruktion): Zeichne eine Zeitleiste (t-2, t-1, t_query). Zu jedem Zeitpunkt wird der Standardgraph auf der linken Seite zu einem Hypergraph auf der rechten Seite: eine Menge von Knoten ist durch farbige Block-Hyperkanten verbunden (mit 'Historische Fakten' beschriftet). Ein Pfeil zeigt von 'Semantisch verbesserte initiale Embeddings' zu den Knoten, und die 'Query Entity' zum Zeitpunkt t_query ist hervorgehoben. Stil: Minimalistisches flaches Design." Abbildung 3: Lokaler Pfad - Räumlich-zeitliche Hypergraph-Faltung Prompt: "Entwirf ein detailliertes schematisches Diagramm mit dem Titel 'Räumlich-zeitliche Hypergraph-Faltung in lokalen Pfaden'. Hauptmodul: 'Local Query View Hypergraph Convolution'-Rechteck. Innen: Aufgeteilt in zwei parallele vertikale Streams: 1. Linker Stream (Räumliche Dimension): Zeichne einen kleinen Hypergraph, mit einem 'Multi-Head Attention'-Symbol (gestapelte Quadrate), das darauf zeigt, beschriftet mit 'Structure Aggregation'. 2. Rechter Stream (Zeitliche Dimension): Zeichne ein Uhrensymbol und eine Wellenform, mit einem 'Enhanced Temporal Encoder'-Feld, das darauf zeigt, beschriftet mit 'Time Aggregation with Exponential Decay'. Die Outputs der beiden Streams konvergieren im 'Dynamic Fusion Module' (Kreis mit einem +-Zeichen) und durchlaufen dann das 'Gated Fusion Module' (mit einem Gate-Symbol und Input 'Original Query Embedding'), das einen 'Local Temporal Embedding'-Vektor ausgibt. Stil: Blueprint-Stil, hellblau für den linken Stream, hellorange für den rechten Stream." Abbildung 4: Globaler Pfad - Multi-Hop Sampling und Reasoning Prompt: "Generiere ein mehrstufiges Diagramm. Layout: Zentraler Knoten 'Query entity at t_query'"