时间知识图谱问答的自提升编程

时间知识图谱问答（Temporal Knowledge Graph Question Answering, TKGQA）旨在针对时间知识图谱（Temporal Knowledge Graphs, TKGs）回答具有时间意图的问题。该任务的核心挑战在于理解问题中涉及的多种时间约束（如“在……之前”、“首次”等）所蕴含的复杂语义信息。现有端到端方法通过学习问题与候选答案的时间感知嵌入来隐式建模时间约束，但这种方式难以全面、深入地理解问题语义。受基于语义解析的方法启发——这类方法通过生成包含符号运算符的逻辑形式来显式建模问题中的约束条件，我们设计了一组基础的时间操作符以刻画时间约束，并提出一种新颖的自提升编程方法用于TKGQA，即Prog-TQA。具体而言，Prog-TQA利用大语言模型（Large Language Models, LLMs）的上下文学习能力，在提供少量示例的情况下，理解问题中组合式的时间约束，并生成相应的程序草稿。随后，通过链接模块将这些程序草稿与时间知识图谱对齐，并执行程序以生成最终答案。为进一步提升对问题的理解能力，Prog-TQA引入了一种自提升策略，通过高质量的自生成程序草稿有效引导和优化LLMs的性能。大量实验结果表明，所提出的Prog-TQA在MultiTQ和CronQuestions数据集上均展现出显著优势，尤其在Hits@1指标上表现突出，验证了其在精确回答复杂时间查询方面的有效性与先进性。