Die Fragebeantwortung über zeitliche Wissensgraphen (Temporal Knowledge Graphs, KGs) nutzt effizient die in einem temporalen KG enthaltenen Fakten, der Entitätsrelationen und deren zeitliche Auftretenszeiten erfasst, um natürlichsprachliche Fragen zu beantworten (z. B. „Wer war Präsident der USA vor Obama?“). Solche Fragen stellen häufig drei zeitbezogene Herausforderungen dar, die bisherige Ansätze nur unzureichend adressieren: 1) Fragen geben oft keine exakten Zeitstempel an (z. B. „Obama“ anstelle von 2000); 2) feine lexikalische Unterschiede in zeitlichen Relationen (z. B. „vor“ im Gegensatz zu „nach“); 3) herkömmliche, vorgefertigte Embeddings zeitlicher Wissensgraphen, auf denen frühere Arbeiten basieren, ignorieren die zeitliche Ordnung von Zeitstempeln, was entscheidend für die Beantwortung von Fragen zur zeitlichen Reihenfolge ist. In diesem Paper stellen wir einen zeitempfindlichen Fragebeantwortungsrahmen (Time-Sensitive Question Answering, TSQA) vor, um diese Probleme zu bewältigen. TSQA verfügt über ein Modul zur Schätzung von Zeitstempeln, das den implizit enthaltenen Zeitstempel aus der Frage ableitet. Zudem nutzen wir einen zeitempfindlichen KG-Encoder, um Ordnungsinformationen in die temporalen KG-Embeddings einzubetten, auf denen TSQA basiert. Mit Hilfe von Techniken zur Reduktion des Suchraums potenzieller Antworten übertrifft TSQA die bisher beste Lösung erheblich auf einem neuen Benchmark für die Fragebeantwortung über zeitliche Wissensgraphen, wobei insbesondere bei komplexen Fragen, die mehrere Schlussfolgerungsschritte über Fakten im temporalen KG erfordern, eine absolute Fehlerreduzierung um 32 % erreicht wird.