La réponse aux questions sur les graphes de connaissances temporels (KG) exploite efficacement les faits contenus dans un KG temporel, qui enregistre les relations entre entités ainsi que les moments où elles se produisent dans le temps, afin de répondre à des questions en langage naturel (par exemple : « Qui était le président des États-Unis avant Obama ? »). Ces questions soulèvent souvent trois défis liés au temps que les travaux antérieurs n’ont pas suffisamment abordés : 1) les questions ne spécifient généralement pas d’horodatage précis d’intérêt (par exemple, « Obama » au lieu de 2000) ; 2) des nuances subtiles dans les relations temporelles (par exemple, « avant » vs « après ») ; 3) les embeddings de KG temporels disponibles « out-of-the-box », sur lesquels s’appuient les travaux antérieurs, ignorent l’ordre temporel des horodatages, ce qui est crucial pour répondre aux questions portant sur l’ordre temporel. Dans cet article, nous proposons un cadre de réponse aux questions sensible au temps (TSQA) afin de relever ces défis. TSQA intègre un module d’estimation d’horodatage permettant d’inférer l’horodatage implicite à partir de la question. Nous utilisons également un encodeur de KG sensible au temps pour injecter des informations d’ordre dans les embeddings du KG temporel sur lesquels repose TSQA. Grâce à des techniques visant à réduire l’espace de recherche des réponses possibles, TSQA surpasse significativement l’état de l’art précédent sur une nouvelle base de données dédiée à la réponse aux questions sur les KG temporels, atteignant notamment une réduction de 32 % (en valeur absolue) de l’erreur sur les questions complexes nécessitant plusieurs étapes de raisonnement sur les faits du KG temporel.