TwiRGCN: Zeitlich gewichtete Graphenfaltung für die Fragebeantwortung über zeitliche Wissensgraphen

In den letzten Jahren hat sich großes Interesse an der zeitlichen Schlussfolgerung über Wissensgraphen (Knowledge Graphs, KG) für komplexe Frage-Antwort-Aufgaben (QA) entwickelt, doch ein erheblicher Abstand zu menschlichen Fähigkeiten bleibt bestehen. Wir untersuchen, wie relationale Graph-Convolutional Networks (RGCN) zur Lösung zeitbasierter KGQA verallgemeinert werden können. Konkret schlagen wir ein neuartiges, intuitives und interpretierbares Verfahren vor, um die durch eine KG-Kante übertragene Nachricht während der Konvolution basierend auf der Relevanz des zugehörigen Zeitraums für die Frage zu modulieren. Außerdem führen wir eine Gating-Einheit ein, die vorhersagt, ob die Antwort auf eine komplexe zeitliche Frage wahrscheinlich eine KG-Entität oder eine Zeitangabe ist, und nutzen diese Vorhersage, um unseren Bewertungsmechanismus zu leiten. Wir evaluieren das resultierende System, das wir TwiRGCN nennen, anhand von TimeQuestions, einem kürzlich veröffentlichten, anspruchsvollen Datensatz für mehrschrittige, komplexe zeitliche QA-Aufgaben. Wir zeigen, dass TwiRGCN auf diesem Datensatz über verschiedene Fragearten hinweg die derzeit besten Systeme deutlich übertrifft. Besonders hervorzuheben ist, dass TwiRGCN die Genauigkeit bei den schwierigsten Fragearten – nämlich ordinalen und impliziten Fragen – um 9 bis 10 Prozentpunkte verbessert.