يهدف الإجابة على الأسئلة في الرسوم البيانية المعرفية الزمنية (TKGQA) إلى الإجابة على الأسئلة ذات النية الزمنية على الرسوم البيانية المعرفية الزمنية (TKGs). تكمن التحدي الرئيسي في هذه المهمة في فهم المعلومات الدلالية المعقدة المتعلقة بأنواع متعددة من القيود الزمنية في الأسئلة (مثل: قبل، أولاً). تعتمد الطرق النهائية الحالية على نمذجة القيود الزمنية بشكل غير مباشر من خلال تعلم تمثيلات واعية بالزمن للأسئلة والإجابات المرشحة، وهو ما يبعد كثيرًا عن فهم شامل للسؤال. مستوحاة من النهج القائمة على تحليل الدلالة التي تُعدّل القيود في الأسئلة بشكل صريح من خلال إنشاء أشكال منطقية باستخدام مشغلات رمزية، قمنا بتصميم مشغلات زمنية أساسية للقيود الزمنية، ونقدّم طريقة برمجة ذات تحسين ذاتي جديدة للإجابة على الأسئلة في الرسوم البيانية المعرفية الزمنية (Prog-TQA). وبشكل محدد، تستفيد Prog-TQA من قدرة النماذج الكبيرة للغة (LLMs) على التعلم داخل السياق لفهم القيود الزمنية المركبة في الأسئلة، وتُولّد مسودات برمجية متناسبة باستخدام عدد قليل من الأمثلة. ثم تقوم بمحاذاة هذه المسودات مع الرسوم البيانية المعرفية الزمنية باستخدام وحدة الربط، وتُنفّذها لاحقًا لإنتاج الإجابات. ولتعزيز قدرة فهم الأسئلة، تُزوّد Prog-TQA باستراتيجية تحسين ذاتي لتمكين تدريب فعّال للنماذج الكبيرة للغة باستخدام مسودات مولّدة ذات جودة عالية. تُظهر التجارب الواسعة تفوق Prog-TQA على مجموعتي بيانات MultiTQ وCronQuestions، وخاصةً في مقياس Hits@1.