شهدت السنوات الأخيرة اهتمامًا كبيرًا بالاستدلال الزمني على الرسوم البيانية للمعرفة (KG) للإجابة على الأسئلة المعقدة (QA)، لكن ما يزال هناك فجوة كبيرة في قدرات البشر. نستعرض كيف يمكن تعميم الشبكات العصبية التلافيفية للعلاقة (RGCN) لمعالجة الإجابة على الأسئلة الزمنية في الرسوم البيانية للمعرفة. وبشكل خاص، نقترح مخططًا جديدًا وواضحًا وقابلًا للتفسير لتعديل الرسائل التي تُمرَّر عبر حافة في الرسم البياني للمعرفة أثناء التلافيف، وذلك بناءً على صلة الفترة الزمنية المرتبطة بهذه الحافة بالسؤال. كما نقدم جهازًا مُقيّدًا (gating device) لتنبؤ ما إذا كان من المرجح أن تكون إجابة سؤال زمني معقد ما كيانًا من الرسم البياني للمعرفة أو فترة زمنية، واستخدام هذا التنبؤ لتوجيه آلية التقييم لدينا. ونُقيّم النظام الناتج، الذي نسميه TwiRGCN، على مجموعة بيانات TimeQuestions، وهي مجموعة بيانات حديثة تم إصدارها وتعتبر صعبة جدًا للإجابة على الأسئلة الزمنية المعقدة متعددة الخطوات. ونُظهر أن TwiRGCN يتفوق بشكل ملحوظ على الأنظمة الرائدة في هذا المجال على هذه المجموعة بيانات عبر أنواع متنوعة من الأسئلة. وتجدر الإشارة إلى أن TwiRGCN يُحسّن الدقة بنسبة 9 إلى 10 نقاط مئوية بالنسبة لأصعب أنواع الأسئلة، وهي الأسئلة الترتيبية والضمنية.