摘要

时间型问答（Temporal Question Answering, QA）涉及时间约束，例如“……在2019年”或“……在新冠疫情之前”等表述。前者中时间条件是显式的，而后者则为隐式时间约束。当前最先进的方法在三个维度上仍存在局限：其一，基于神经推理的方法对时间约束仅进行软匹配，导致可能产生无效或难以解释的答案；其二，对包含隐式时间信息的问题支持不足；其三，答案来源单一，仅依赖知识库（Knowledge Base, KB）或文本语料库中的一种。为此，我们提出一种新型时间型问答系统，以克服上述缺陷。首先，该系统通过引入可验证的实证证据，严格强制执行时间约束，确保答案的准确性与可解释性；其次，能够有效处理隐式时间问题；第三，系统可统一处理异构数据源，涵盖知识库、文本语料及网页表格等多种信息形式。该方法包含三个阶段：（i）理解问题及其时间条件；（ii）从所有异构数据源中检索相关证据；（iii）基于证据忠实回答问题。由于现有基准数据集中隐式时间问题样本稀疏，我们进一步提出一种系统性方法，用于生成多样化且具有代表性的隐式时间问题。实验结果表明，该方法在多个基准测试中显著优于现有基线模型，展现出优越的性能。