時系列知識グラフ質問応答のための自己改善プログラミング

時系列知識グラフ質問応答（Temporal Knowledge Graph Question Answering, TKGQA）は、時系列知識グラフ（Temporal Knowledge Graphs, TKGs）上で時系列的な意図を持つ質問に答えることを目的とする。このタスクの核心的な課題は、質問に含まれる複数種類の時間制約（例：「～より前」「最初に」など）に関する複雑な意味情報を適切に理解することにある。従来のエンドツーエンド手法は、質問および候補回答の時系列に敏感な埋め込み表現を学習することで時間制約を間接的にモデル化しているが、これは質問の全体的理解にほど遠いものである。この問題に鑑み、記号的演算子を用いた論理形式を生成することで質問内の制約を明示的にモデル化する意味解析ベースのアプローチに着想を得て、本研究では時間制約に対応する基本的な時系列演算子を設計し、新たな自己改善型プログラミング手法であるProg-TQA（Programming for TKGQA）を提案する。具体的には、Prog-TQAは大規模言語モデル（Large Language Models, LLMs）のコンテキスト学習能力を活用し、少量の例を提示することで質問内の組み合わせ的時間制約を理解し、対応するプログラムの草案を生成する。その後、リンクモジュールを用いてこれらの草案をTKGに整合させ、実行することで答えを導出する。質問理解能力の強化を図るため、Prog-TQAは高品質な自己生成された草案を用いてLLMを効果的に自己改善する戦略を内蔵している。広範な実験の結果、MultiTQおよびCronQuestionsデータセットにおいて、特にHits@1指標において本手法の優位性が確認された。