TempoQR: Temporale Fragebasierte Reasoning über Wissensgraphen

Die Wissensgraphen-Fragebeantwortung (Knowledge Graph Question Answering, KGQA) beinhaltet die Abfrage von Fakten aus einem Wissensgraphen (Knowledge Graph, KG) mittels natürlicher Sprache. Ein KG ist eine konservierte Menge an Fakten, die aus Entitäten bestehen, die durch Relationen miteinander verknüpft sind. Bestimmte Fakten enthalten zudem zeitliche Informationen, wodurch ein zeitlicher Wissensgraph (Temporal Knowledge Graph, TKG) entsteht. Obwohl viele natürliche Fragen explizite oder implizite zeitliche Einschränkungen beinhalten, ist die Fragebeantwortung über TKGs bisher ein relativ wenig erforschter Bereich. Bestehende Ansätze sind überwiegend für einfache zeitliche Fragen konzipiert, die direkt durch ein einzelnes TKG-Fakt beantwortet werden können. In diesem Paper wird ein umfassendes, auf Embeddings basierendes Framework vorgestellt, um komplexe Fragen über TKGs zu beantworten. Unser Ansatz, Temporal Question Reasoning (TempoQR), nutzt TKG-Embeddings, um die Frage auf die spezifischen Entitäten und den Zeitraum zu beziehen, auf die sie sich bezieht. Dies erreicht er, indem er die Frage-Embeddings durch kontextuelle, entitäts- und zeitbewusste Informationen erweitert, wobei drei spezialisierte Module eingesetzt werden. Das erste Modul berechnet eine textuelle Darstellung der gegebenen Frage, das zweite kombiniert diese mit den Entitäts-Embeddings der in der Frage vorkommenden Entitäten, und das dritte generiert frage-spezifische Zeit-Embeddings. Schließlich lernt ein auf Transformers basierender Encoder, die generierten zeitlichen Informationen mit der Frage-Darstellung zu fusionieren, die dann zur Vorhersage der Antwort verwendet wird. Umfangreiche Experimente zeigen, dass TempoQR die Genauigkeit bei komplexen zeitlichen Fragen gegenüber state-of-the-art Ansätzen um 25–45 Prozentpunkte verbessert und zudem besser auf bisher nicht gesehene Fragearten generalisiert.