近年、知識グラフ（KG）における時系列推論は、複雑な質問応答（QA）において大きな関心を集めているが、人間の能力との間に依然として大きなギャップが存在する。本研究では、時系列的知識グラフQA（KGQA）において、関係性グラフ畳み込みネットワーク（RGCN）の汎化手法を検討する。具体的には、畳み込み処理中にKGのエッジを介して伝達されるメッセージを、その関連する時系列期間が質問に対してどれだけ関連性があるかに基づいて調整する、新しい直感的かつ解釈可能な手法を提案する。さらに、複雑な時系列質問に対する回答がKGのエンティティか時刻かを予測するゲート機構を導入し、その予測結果をスコアリング機構のガイドラインとして活用する。本研究で提案するシステム「TwiRGCN」を、マルチホップかつ複雑な時系列QAを対象とした最新の挑戦的データセット「TimeQuestions」上で評価した結果、多様な質問タイプにおいて、最先端のシステムを顕著に上回ることが示された。特に、最も困難な順序型（ordinal）および暗黙型（implicit）の質問タイプにおいて、正解率が9～10パーセンテージポイント向上した。