Selbstverbesserungsprogrammierung für die Fragebeantwortung in zeitlichen Wissensgraphen

Die zeitliche Wissensgraphen-Fragebeantwortung (Temporal Knowledge Graph Question Answering, TKGQA) zielt darauf ab, Fragen mit zeitlichem Bezug über zeitliche Wissensgraphen (Temporal Knowledge Graphs, TKGs) zu beantworten. Die zentrale Herausforderung dieser Aufgabe liegt in der Verständnis komplexer semantischer Informationen bezüglich mehrerer Arten von Zeitbeschränkungen in Fragen (z. B. „vor“, „zuerst“). Bestehende end-to-end-Methoden modellieren die Zeitbeschränkungen implizit, indem sie zeitbewusste Embeddings von Fragen und möglichen Antworten lernen, was weit entfernt von einer umfassenden Frageinterpretation ist. Angeregt durch semantik-interpretierende Ansätze, die Beschränkungen in Fragen explizit durch die Generierung logischer Formen mit symbolischen Operatoren modellieren, entwickeln wir grundlegende zeitliche Operatoren für Zeitbeschränkungen und stellen eine neuartige selbstverbessernde Programmiermethode für TKGQA (Prog-TQA) vor. Konkret nutzt Prog-TQA die Fähigkeit von Großsprachmodellen (Large Language Models, LLMs), im Kontext zu lernen, um die kombinatorischen Zeitbeschränkungen in Fragen zu verstehen und auf Basis nur weniger Beispiele entsprechende Programmentwürfe zu generieren. Anschließend ordnet ein Verknüpfungsmodul diese Entwürfe den TKGs zu und führt sie aus, um die Antworten zu generieren. Um die Fähigkeit zur Frageinterpretation weiter zu verbessern, ist Prog-TQA zudem mit einer Selbstverbesserungsstrategie ausgestattet, die es ermöglicht, LLMs effektiv durch hochwertige, selbst generierte Entwürfe zu bootstrappen. Umfangreiche Experimente belegen die Überlegenheit des vorgeschlagenen Prog-TQA auf den Datensätzen MultiTQ und CronQuestions, insbesondere hinsichtlich der Hits@1-Metrik.