使用大语言模型的两阶段时序知识图谱生成式问答

时序知识图谱问答（TKGQA）是一项具有挑战性的任务，因为问题中隐藏的时间约束以及从动态结构化知识中寻找答案。尽管大语言模型（LLM）在结构化数据上的推理能力取得了显著进展，但其在TKGQA任务中的应用仍是一个相对未探索的领域。本文首次提出了一种新颖的生成式时序知识图谱问答框架GenTKGQA，该框架通过两个阶段（子图检索和答案生成）引导LLM回答时序问题。首先，我们利用LLM的内在知识挖掘问题中的时间约束和结构链接，无需额外训练，从而在时间和结构维度上缩小子图搜索空间。接下来，我们设计虚拟知识指示器，以非浅层的方式融合子图的图神经网络信号和LLM的文本表示，这有助于开源LLM通过指令微调深入理解检索事实之间的时间顺序和结构依赖。在两个广泛使用的数据集上的实验结果证明了我们模型的优越性。