La question réponse basée sur les graphes de connaissances (KGQA) consiste à extraire des faits à partir d’un graphe de connaissances (KG) à l’aide de requêtes formulées en langage naturel. Un KG est un ensemble structuré et soigneusement curaté de faits, composé d’entités reliées par des relations. Certains de ces faits incluent également des informations temporelles, formant ainsi un graphe de connaissances temporel (TKG). Bien que de nombreuses questions naturelles impliquent des contraintes temporelles explicites ou implicites, le traitement de la question réponse sur les TKG reste une zone relativement peu explorée. Les solutions existantes sont principalement conçues pour répondre à des questions temporelles simples, pouvant être traitées directement à partir d’une seule faits du TKG. Ce papier propose un cadre complet basé sur les embeddings pour répondre à des questions complexes sur les TKG. Notre méthode, nommée raisonnement temporel de questions (TempoQR), exploite les embeddings du TKG afin d’ancrer la question aux entités spécifiques et à l’intervalle temporel qu’elle désigne. Elle y parvient en enrichissant les embeddings de la question avec des informations contextuelles, entité-orientées et sensibles au temps, grâce à trois modules spécialisés. Le premier module calcule une représentation textuelle de la question donnée, le second la combine avec les embeddings des entités mentionnées dans la question, tandis que le troisième génère des embeddings temporels spécifiques à la question. Enfin, un encodeur basé sur le transformer apprend à fusionner ces informations temporelles avec la représentation de la question, qui est ensuite utilisée pour prédire la réponse. Des expériences étendues montrent que TempoQR améliore l’exactitude de 25 à 45 points de pourcentage par rapport aux approches de pointe sur les questions temporelles complexes, tout en se généralisant mieux aux types de questions inédits.