---
title: "LLM 时间点过程 (LLM-based TPP)"
created: 2026-06-16
updated: 2026-06-16
type: concept
tags: [temporal-point-process, llm, multimodal, event-modeling]
sources: [raw/papers/advances-temporal-point-processes-2026.md]
---

# LLM 时间点过程 (LLM-based TPP)

LLM-based TPP 将大语言模型的表征能力引入事件序列建模，代表了 TPP 研究从"事件发生过程建模"向"带时间戳事件数据理解"的重要范式转变。

## 两大范式

### 1. LLM-inspired TPP

保留神经 TPP 作为事件动态的主要模型，借用 LLM 机制增强适应性和可解释性：

- **PromptTPP** (Xue et al., 2023b)：将 prompt learning 引入神经 TPP，用少量可学习 prompt 适应分布偏移，无需存储历史数据或重训练
- **LAMP** (Shi et al., 2024)：LLM 增强的溯因推理管道：基础 TPP 生成候选事件 → LLM 生成因果解释 → 检索历史事件验证 → 打分选择

### 2. Direct LLM-TPP Integration

将 LLM 直接作为事件序列的核心模型：

- **TPP-LLM** (Liu & Quan, 2024)：用文本描述替代类别标记，LoRA 微调适配时序预测，但时间信息通过外部位置编码注入
- **Language-TPP** (Kong et al., 2025)：将连续时间间隔编码为 byte-level token，与自然语言在同一 token 序列中统一处理，实现更紧密的时间-语义融合

## 范式转变

LLM-based TPP 不仅引入新模型架构，更扩展了 TPP 的研究议程：

- 从纯概率建模 → 语义丰富的多模态事件理解
- 新增任务：事件序列检索、问答、多模态推理
- 自然连接事件流与自由文本、外部知识库

## 多模态扩展

- **TPP-Embedding** (Liu & Quan, 2025)：时序事件检索 benchmark，对比学习对齐序列嵌入与文本描述
- **DanmakuTPPBench** (Jiang et al., 2025)：多模态 TPP benchmark，包含文本+时间戳+视频帧的弹幕数据

## 局限与挑战

- 在纯时序预测 benchmark 上优势不明显
- 时间对齐、不确定性校准、可控性仍是开放问题
- 部分任务（检索、QA）已超出传统 TPP 定义边界

## 参考

- [[temporal-point-process|时间点过程]]
- [[neural-temporal-point-process|神经 TPP]]
- [[advances-temporal-point-processes-2026|TPP 综述]]