摘要

知识图谱（Knowledge Graphs, KGs）因其在自然语言处理领域的广泛应用而受到越来越多的关注。然而，其在时间问答（Temporal Question Answering, QA）任务中的应用尚未得到充分探索。现有的大多数方法基于预训练语言模型构建，但在捕捉实体在时间维度上的特定表示方面，可能难以胜任时间知识图谱问答任务的需求。为缓解这一问题，本文提出一种新颖的时序感知多路自适应（Time-aware Multiway Adaptive, TMA）融合网络。受人类逐步推理行为的启发，TMA 首先从知识图谱中提取与给定问题相关的概念，随后将这些概念输入多路自适应模块，生成具有时间特异性的问题表示。该表示可与预训练的知识图谱嵌入进行融合，从而生成最终的答案预测。实验结果表明，所提出的 TMA 模型在基准数据集上的表现优于现有最先进模型。特别地，在 CronQuestions 数据集的复杂问题上，TMA 的 Hits@1 和 Hits@10 指标分别相较表现最佳的基线方法提升了 24% 和 10%。此外，本文还证明，TMA 所采用的自适应融合机制能够通过分析问题表示中各信息成分的占比，提供可解释性支持，从而增强模型决策过程的透明度。