Zeitbewusste mehrwegeadaptive Fusionsnetzwerk für die Fragebeantwortung in zeitlichen Wissensgraphen

Wissensgraphen (Knowledge Graphs, KGs) haben aufgrund ihrer vielfältigen Anwendungen im Bereich der natürlichen Sprachverarbeitung zunehmend an Aufmerksamkeit gewonnen. Ihre Nutzung im Kontext der zeitbasierten Fragebeantwortung (Temporal Question Answering, QA) ist jedoch bisher noch nicht ausreichend erforscht. Die meisten bestehenden Ansätze basieren auf vortrainierten Sprachmodellen, die möglicherweise nicht in der Lage sind, zeitbezogene Darstellungen von Entitäten im Sinne der Aufgabe der zeitbasierten Wissensgraphen-Fragebeantwortung zu erlernen. Um dieses Problem zu mildern, schlagen wir ein neuartiges \textbf{T}ime-aware \textbf{M}ultiway \textbf{A}daptive (\textbf{TMA})-Fusionsnetzwerk vor. Inspiriert vom schrittweisen Schlussfolgerungsverhalten menschlicher Benutzer extrahiert TMA zunächst für jede gegebene Frage relevante Konzepte aus dem Wissensgraphen und speist diese in ein mehrwegadaptives Modul ein, um eine zeitbezogene Darstellung der Frage zu erzeugen. Diese Darstellung kann anschließend mit den vortrainierten KG-Embeddings kombiniert werden, um die endgültige Vorhersage zu generieren. Experimentelle Ergebnisse bestätigen, dass das vorgeschlagene Modell im Vergleich zu den aktuellen State-of-the-Art-Modellen auf dem Benchmark-Datensatz eine bessere Leistung erzielt. Insbesondere zeigen die Hits@1- und Hits@10-Ergebnisse von TMA auf den komplexen Fragen des CronQuestions-Datensatzes eine absolute Verbesserung um 24 % bzw. 10 % gegenüber dem besten Baseline-Modell. Darüber hinaus zeigen wir, dass TMA durch die Nutzung eines adaptiven Fusionsmechanismus zusätzliche Interpretierbarkeit ermöglicht, indem die Anteile der Informationen in den Frage-Darstellungen analysiert werden können.