面向时间知识图谱问答的自我提升编程
内容提要
本文提出了一种生成式时间知识图问答框架（GenTKGQA），通过子图检索和答案生成两个阶段，提升了对时间性问题的回答能力。实验结果表明，该模型在准确性上优于现有方法，尤其在复杂时间问题上表现显著。
延伸解读
两阶段设计如何提升时间问答
GenTKGQA 将时间知识图谱问答拆分为子图检索和答案生成两个阶段。检索阶段利用大语言模型的内在知识识别问题中的时间约束和结构链接，从而缩小搜索空间；生成阶段则通过虚拟知识指示器，将图神经网络的信号与文本表示深度融合，帮助模型理解时间顺序和结构依赖。这种分工让模型既能精准定位相关事实，又能生成符合时间逻辑的答案。
复杂时间问题上的性能优势
实验结果显示，GenTKGQA 在准确性上优于现有方法，尤其在复杂时间问题上提升显著，甚至简单问题类型的指标达到 100%。这表明该框架对需要多步时间推理的问题特别有效。不过，简单问题接近满分也可能意味着基准测试的简单部分已接近饱和，未来评估应更关注复杂场景下的泛化能力。
与现有时间问答方法的对比
文章回顾了 TempoQR、ForecastTKGQA、CRONKGQA 等先前工作，它们分别通过嵌入感知、预测式问答或转换器方案处理时间问题。GenTKGQA 的不同在于引入生成式框架，并利用 LLM 的内在知识来指导子图检索，而非仅依赖嵌入或规则。这种结合可能带来更好的复杂问题处理能力，但具体提升幅度需参考原文实验数据。
Q&A
GenTKGQA框架的主要功能是什么？
GenTKGQA框架通过子图检索和答案生成两个阶段提升对时间性问题的回答能力。
GenTKGQA如何缩小子图搜索空间？
在子图检索阶段，GenTKGQA利用LLM的内在知识挖掘时间约束和结构链接来缩小搜索空间。
GenTKGQA在复杂时间问题上的表现如何？
实验结果表明，GenTKGQA在复杂时间问题上表现显著优于现有方法，准确性更高。
答案生成阶段的设计有什么特点？
答案生成阶段设计了虚拟知识指示器，将子图的图神经网络信号与LLM的文本表示融合，帮助理解时间顺序和结构依赖关系。
GenTKGQA与现有方法相比有什么优势？
GenTKGQA在准确性上优于现有方法，尤其在处理复杂时间问题时表现更为突出。
如何评估GenTKGQA的效果？
通过实验结果评估，GenTKGQA在准确性上优于最先进的基准方法，尤其在复杂问题类型上达到100%的指标。
