大規模言語モデルを使用した時間的知識グラフ上の二段階生成型質問応答

時系列知識グラフ質問応答（TKGQA）は、質問に隠された時間制約と動的な構造化知識から求められる回答により、重要な課題を呈しています。大規模言語モデル（LLM）は構造化データに対する推論能力において相当な進歩を遂げていますが、TKGQAタスクへの適用は比較的新しい領域です。本論文では、まず新しい生成型時系列知識グラフ質問応答フレームワークであるGenTKGQAを提案します。このフレームワークは、サブグラフ検索と回答生成の2つのフェーズを通じて、LLMが時間的な質問に答えることをガイドします。まず、追加の学習なしでLLMの内在する知識を利用して、質問内の時間制約と構造的リンクを抽出し、時間的および構造的次元でのサブグラフ検索範囲を絞り込みます。次に、仮想的な知識指標を設計し、サブグラフのグラフニューラルネットワーク信号とLLMのテキスト表現を深く融合させることで、オープンソースのLLMが指示調整を通じて取得した事実間の時間順序と構造的依存関係を深く理解できるようにします（非浅層的に）。2つの広く使用されているデータセットにおける実験結果は、当該モデルの優位性を示しています。