摘要
近年来，许多基于知识图谱（Knowledge Graphs, KGs）的模型在问答（Question Answering, QA）任务中取得了显著成果。在现实世界中，知识图谱中的许多事实具有时间约束特性，因此时序知识图谱问答（Temporal KGQA）逐渐受到广泛关注。尽管先前的时序KGQA模型已取得丰硕成果，但仍存在若干局限性：（I）这些模型通常采用预训练语言模型（Pre-trained Language Models, PLMs）获取问题表示，而PLMs往往侧重于实体信息，忽视了时间约束带来的实体转移现象，最终难以学习到实体的特定时序表征；（II）它们既未充分强调实体之间的图结构关系，也未显式建模图中的多跳关系，这使得处理复杂的多跳问答任务变得困难。为缓解上述问题，本文提出一种新颖的问题校准与多跳建模（Question Calibration and Multi-Hop Modeling, QC-MHM）方法。具体而言，首先通过融合问题与知识图谱中受时间约束的概念，对问题表示进行校准；随后构建图神经网络（GNN）层，实现多跳信息传递；最后将校准后的问题表示与GNN输出的嵌入表示相结合，生成最终的答案预测。实验结果表明，所提出的QC-MHM模型在基准数据集上的表现优于现有最先进模型。特别地，在CronQuestions数据集的复杂问题上，QC-MHM在Hits@1和Hits@10指标上分别较表现最佳的基线模型绝对提升5.1%和1.2%。此外，该模型能够生成可解释且可信的推理过程，显著增强了问答系统的透明性与可靠性。