知识计划：检索增强型大语言模型用于时序知识图谱问答
计算与语言
2025-11-07 v1
摘要
时序知识图谱问答（TKGQA）旨在利用时序知识图谱（TKG）中的事实信息来回答时敏感问题。虽然先前研究使用预训练时序知识图嵌入或图神经网络来注入时序知识，但它们未能完全理解时间约束的复杂语义信息。最近，大语言模型（LLM）在语义理解和推理泛化能力方面显示出显著进展。然而，他们的时序推理能力仍有限。大语言模型常常出现幻觉且缺乏知识。为此，我们提出了具对比时序检索器的知识计划框架，称为PoK。具体而言，知识计划模块将复杂时序问题分解为一系列子目标序列，这些子目标来自预定义工具，作为推理探索的中间指导。并行地，我们构建了一个时序知识存储库（TKS），采用对比检索框架，使模型能够从TKG中选择检索语义和时序对齐的事实。通过结合结构化计划与时序知识检索，PoK有效增强了时序推理的可解释性和事实一致性。广泛的实验在四个基准TKGQA数据集上表明，PoK显著提高了大语言模型的检索精度和推理准确率，最高可提升56.0%。
引用
@article{arxiv.2511.04072,
title = {Plan of Knowledge: Retrieval-Augmented Large Language Models for Temporal Knowledge Graph Question Answering},
author = {Xinying Qian and Ying Zhang and Yu Zhao and Baohang Zhou and Xuhui Sui and Xiaojie Yuan},
journal= {arXiv preprint arXiv:2511.04072},
year = {2025}
}
备注
Submitted to the IEEE for possible publication