الاستجابة لأسئلة الرسوم البيانية المعرفية الزمنية من خلال الاستدلال على الرسوم الفرعية

أُخذت اهتمامات كبيرة مؤخرًا في مجال الإجابة عن الأسئلة باستخدام الرسوم المعرفية (KGQA)، وتم اقتراح العديد من الطرق المبتكرة في هذا المجال، لكن قلة من هذه الطرق تم تطويرها خصيصًا للإجابة عن الأسئلة الزمنية في الرسوم المعرفية الزمنية (Temporal KGQA). تركز معظم الطرق الحالية لـ Temporal KGQA على التوافق على المستوى الدلالي أو الزمني، وتعاني من ضعف القدرة على الاستدلال حول القيود الزمنية. في هذا البحث، نقترح نموذجًا قائمة على الرسوم الفرعية للإجابة عن الأسئلة المعقدة على الرسوم المعرفية الزمنية (TKG)، مستلهمًا من عملية التفكير البشري. يُسمى نهجنا بالاستدلال الزمني القائم على الرسم الفرعي (SubGraph Temporal Reasoning - SubGTR)، ويتكون من ثلاث وحدات رئيسية: استخراج المعرفة الضمنية، وبحث الحقائق ذات الصلة، والاستدلال المنطقي على الرسم الفرعي. أولاً، يتم إعادة صياغة السؤال باستخدام المعرفة الخلفية المخزنة في الرسم المعرفي الزمني للحصول على قيود زمنية صريحة. ثم يتم البحث في الرسم المعرفي الزمني (TKG) لتحديد الكيانات ذات الصلة والحصول على تقييم أولي لها. وأخيرًا، يتم تحديد القيود الزمنية كمياً وتطبيقها باستخدام المنطق الزمني للوصول إلى الإجابة النهائية. لاختبار نموذجنا، نجري تجارب على معايير معيارية للإجابة عن الأسئلة الزمنية. نلاحظ أن المعايير الحالية تحتوي على عدد كبير من الأسئلة الزائفة الزمنية، ونقترح مجموعة جديدة تُسمى Complex-CronQuestions، وهي نسخة معدلة ومحسّنة من مجموعة CronQuestions، وتُعد أكثر فاعلية في إظهار قدرة النموذج على الاستدلال حول الأسئلة الزمنية المعقدة. تُظهر النتائج التجريبية أن SubGTR تحقق أداءً متقدمًا على مستوى التقنيات الحالية (state-of-the-art) على كل من CronQuestions وComplex-CronQuestions. علاوة على ذلك، يُظهر نموذجنا أداءً أفضل في التعامل مع مشكلة بدء الكيانات الباردة (entity cold-start) مقارنةً بالطرق الحالية في مجال KGQA الزمنية.