TempoQR：基于知识图的时间问题推理

知识图问答（KGQA）涉及使用自然语言查询从知识图（KG）中检索事实。KG 是由关系连接的实体构成的精选事实集合。某些事实还包含时间信息，形成时序知识图（TKG）。尽管许多自然语言问题涉及显式或隐式时间约束，基于 TKG 的问答（QA）仍是相对未被充分探索的领域。现有方案主要面向可由单一 TKG 事实直接回答的简单时间问题。本文提出一个基于嵌入的综合性框架，用于回答 TKG 上的复杂问题。我们称为时间问题推理（TempoQR）的方法利用 TKG 嵌入将问题定位至其指代的特定实体与时间范围。其通过采用三个专用模块，以上下文、实体和时间感知信息增强问题嵌入来实现。第一个模块计算给定问题的文本表示，第二个将其与问题中涉及实体的实体嵌入结合，第三个生成问题特定的时间嵌入。最后，基于 transformer 的编码器学习将生成的时间信息与问题表示融合，用于答案预测。大量实验表明，相较最先进方法，TempoQR 在复杂时间问题上将准确率提升 25–45 个百分点，且对未见问题类型泛化更好。