知识图谱问答（Knowledge Graph Question Answering, KGQA）是指通过自然语言查询从知识图谱（Knowledge Graph, KG）中检索事实信息。知识图谱是一组经过精心构建的事实集合，其中实体通过关系相互连接。某些事实还包含时间信息，由此构成时序知识图谱（Temporal Knowledge Graph, TKG）。尽管许多自然语言问题隐含或明确地涉及时间约束，但针对时序知识图谱的问答（QA）研究仍相对匮乏。现有的方法主要针对能够通过单一图谱事实直接回答的简单时序问题，难以应对复杂时序问答任务。本文提出了一种全面的基于嵌入（embedding）的框架，用于回答时序知识图谱上的复杂问题。所提出的模型名为时序问题推理（Temporal Question Reasoning, TempoQR），其核心思想是利用时序知识图谱的嵌入表示，将自然语言问题精准地锚定到其所指的具体实体及时间范围。为此，TempoQR通过引入三个专用模块，对问题嵌入进行增强：第一，生成给定问题的文本表示；第二，将该表示与问题中涉及实体的嵌入进行融合；第三，生成与问题相关的特定时间嵌入。最终，基于Transformer的编码器将生成的时序信息与问题表示进行融合，用于后续的答案预测。大量实验结果表明，与现有最先进方法相比，TempoQR在复杂时序问答任务上的准确率提升了25至45个百分点，且在面对未见过的问题类型时展现出更强的泛化能力。