摘要

近年来，知识图谱（Knowledge Graph, KG）上的时序推理在复杂问题回答（Question Answering, QA）领域受到广泛关注，然而人类在该任务上的表现仍存在显著差距。本文探讨了如何将关系图卷积网络（Relational Graph Convolutional Network, RGCN）推广应用于时序知识图谱问答（Temporal KGQA）任务。具体而言，我们提出了一种新颖、直观且可解释的机制，通过评估知识图谱边所关联的时间区间与问题的相关性，动态调节卷积过程中消息的传递。此外，我们引入了一个门控机制（gating device），用于预测复杂时序问题的答案更可能是一个知识图谱实体还是一个时间点，并利用该预测结果来指导模型的打分机制。我们在近期发布、具有挑战性的多跳复杂时序问答数据集TimeQuestions上对所提出的系统——TwiRGCN进行了评估。实验结果表明，TwiRGCN在该数据集上对多种问题类型均显著优于当前最先进的系统。尤其值得注意的是，对于最难的序数型（ordinal）和隐含型（implicit）问题，TwiRGCN的准确率提升了9至10个百分点。