面向时序知识图谱问答的自我改进编程方法

时序知识图谱问答（TKGQA）旨在回答涉及时序知识图谱（TKG）中时间意图的问题。该任务的核心挑战在于理解问题中多种时间约束（例如，之前、首先）的复杂语义信息。现有的端到端方法通过学习问题和候选答案的时间感知嵌入来隐式建模时间约束，这远不能全面理解问题。受基于语义解析的方法启发，这些方法通过生成带有符号运算符的逻辑形式来显式建模问题中的约束，我们设计了用于时间约束的基本时间运算符，并引入了一种新颖的自我改进编程方法用于TKGQA（Prog-TQA）。具体而言，Prog-TQA利用大语言模型（LLM）的上下文学习能力来理解问题中的组合时间约束，并根据给出的少量示例生成相应的程序草稿。然后，它通过链接模块将这些草稿与TKG对齐，随后执行它们以生成答案。为了增强理解问题的能力，Prog-TQA进一步配备了自我改进策略，利用高质量的自生成草稿有效地引导LLM。大量实验表明，所提出的Prog-TQA在MultiTQ和CronQuestions数据集上具有优越性，尤其是在Hits@1指标上。