摘要

知识图谱问答（Knowledge Graph Question Answering, KGQA）近年来受到广泛关注，众多创新方法相继提出，但针对时序知识图谱问答（Temporal KGQA）的研究仍相对较少。现有大多数时序KGQA方法主要集中在语义或时间层面的匹配，缺乏对时间约束进行推理的能力。本文提出一种基于子图的模型，用于回答时序知识图谱（Temporal Knowledge Graph, TKG）上的复杂问题，其设计灵感来源于人类认知机制。该方法名为子图时序推理（SubGraph Temporal Reasoning, SubGTR），包含三个核心模块：隐式知识提取、相关事实检索与子图逻辑推理。首先，利用时序知识图谱中存储的背景知识对问题进行重述，以显式化时间约束；其次，在TKG中搜索相关实体，并初步评估其相关性得分；最后，通过时序逻辑对时间约束进行量化并加以应用，从而得出最终答案。为评估所提模型，我们在多个时序问答基准上开展实验。研究发现，现有基准中包含大量伪时序问题（pseudo-temporal questions），为此我们提出了一个经过筛选的改进版本——Complex-CronQuestions，该数据集源自CronQuestions，能更有效地检验模型在复杂时序问题上的推理能力。实验结果表明，SubGTR在CronQuestions与Complex-CronQuestions两个基准上均达到了当前最优性能。此外，与现有时序KGQA方法相比，本模型在应对实体冷启动（entity cold-start）问题方面也展现出更优的表现。