使用大型语言模型在时间知识图谱上进行两阶段生成式问答

时间知识图谱问答（TKGQA）是一项具有重大挑战的任务，因为问题中隐藏了时间约束，而答案则需要从动态结构化的知识中获取。尽管大型语言模型（LLMs）在处理结构化数据的推理能力方面已经取得了显著进展，但它们在TKGQA任务中的应用仍是一个相对未被充分探索的领域。本文首次提出了一种新的生成式时间知识图谱问答框架——GenTKGQA，该框架通过两个阶段引导大型语言模型回答时间相关的问题：子图检索和答案生成。首先，我们利用大型语言模型的内在知识来挖掘问题中的时间约束和结构链接，无需额外训练即可在时间和结构维度上缩小子图搜索空间。接下来，我们设计了虚拟知识指标，以非浅层的方式融合子图的图神经网络信号和大型语言模型的文本表示，这有助于开源大型语言模型通过指令调优深入理解检索到的事实之间的时间顺序和结构依赖关系。实验结果表明，在两个广泛使用的数据集上，我们的模型表现出了优越性。