.png){kind=icon}
返回
Time-Aware Complex Question Answering over Temporal Knowledge Graph
.png){kind=icon}
PRE
AI
DOI：10.1016/j.datak.2025.102503.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
知识图谱问答（KGQA）是知识图谱（KGs）中的一个重要议题，其目标是从知识图谱中检索相应的事实以回答给定的问题。在实际应用中，知识图谱中的事实通常具有时间约束，因此，基于时序知识图谱（TKGs）的问答受到了广泛关注。现有的时序知识图谱问答（TKGQA）方法主要关注处理涉及多个事实的复杂问题，并主要面临两个挑战。首先，这些方法仅考虑将问题与TKGs中的事实进行匹配以确定答案，忽略了不同事实之间的时间顺序，这使得涉及时间顺序的问题难以解决。其次，它们通常侧重于问题的文本表示，而忽略了问题中的丰富语义信息，这导致了对问题的理解存在一定局限性。为解决上述挑战，本研究提出了一种名为时间感知复杂问答（TA-CQA）的模型。具体而言，我们通过将时间顺序信息纳入嵌入向量来扩展时序知识图谱嵌入（TKGE）模型，确保模型能够区分不同事实的时间顺序。为增强问题的语义表示，我们采用注意力机制和可学习编码器整合问题信息。与以往的TKGQA方法不同，我们提出时间相关性度量，通过更好地捕捉问题信息与时间信息之间的相关性，进一步提高了答案预测的准确性。在CronQuestions和TimeQuestions上的多组实验证明了我们的模型在所有问题类型上均表现出更优的性能。特别是对于涉及多个事实的复杂问题，hit@1值分别提升了3.2%和3.5%。
Keyword:
Temporal Knowledge Graph
Question Answering
Time-Aware Model
Complex Questions
Temporal Order
