مُعايرة السؤال ونمذجة متعددة الخطوات للإجابة على الأسئلة الزمنية

أظهرت العديد من النماذج التي تعتمد على الرسوم المعرفية (KG) نجاحًا ملحوظًا في مهام الإجابة على الأسئلة (QA) في الآونة الأخيرة. في العالم الحقيقي، تُعد العديد من الحقائق المحتوية في الرسوم المعرفية مُقيَّدة زمنيًا، مما جعل الإجابة على الأسئلة الزمنية باستخدام الرسوم المعرفية (Temporal KGQA) موضوعًا يحظى باهتمام متزايد. وعلى الرغم من الجهود الوفيرة التي بذلتها النماذج السابقة في مجال KGQA الزمنية، تظل تواجه عدة قيود. (أولاً) تستخدم هذه النماذج نماذج لغوية مُدرَّبة مسبقًا (PLMs) للحصول على تمثيلات للأسئلة، في حين أن نماذج PLMs تميل إلى التركيز على معلومات الكيانات وتتجاهل نقل الكيانات الناتج عن القيود الزمنية، مما يؤدي في النهاية إلى فشلها في تعلُّم تمثيلات زمنية محددة للكيانات. (ثانيًا) لا تُعطي هذه النماذج أهمية للهيكل الرسومي بين الكيانات، ولا تُنمذج العلاقات متعددة الخطوات في الرسم البياني بشكل صريح، وهو ما يُعَقّد حل مهام الإجابة على الأسئلة المعقدة ذات الخطوات المتعددة. ولتخفيف هذه المشكلة، نقترح نموذجًا جديدًا يُسمى "تصحيح السؤال ونمذجة الخطوات المتعددة" (QC-MHM). بشكل محدد، نقوم أولًا بتصحيح تمثيل السؤال من خلال دمج السؤال مع المفاهيم المُقيَّدة زمنيًا في الرسم المعرفي. ثم نُنشئ طبقة GNN لإتمام عملية تبادل الرسائل عبر خطوات متعددة. وأخيرًا، نُدمج تمثيل السؤال مع التمثيل الناتج عن GNN لإنتاج التنبؤ النهائي. وتحقق النتائج التجريبية أن النموذج المقترح يتفوق على النماذج الحالية في أفضل الأداء على مجموعة البيانات القياسية. وبشكل ملحوظ، زادت نتائج QC-MHM في مقياس Hits@1 وHits@10 على الأسئلة المعقدة في مجموعة بيانات CronQuestions بنسبة 5.1% و1.2% على التوالي مقارنةً بأفضل نموذج قاعدة مقارنة. علاوةً على ذلك، يمكن لـ QC-MHM إنتاج تنبؤات قابلة للتفسير وموثوقة.