시계열 지식 그래프(Temporal Knowledge Graph, KG)에 대한 질문 응답은 실체 간 관계와 그 관계가 시간적으로 언제 발생했는지를 기록한 시계열 KG에 포함된 사실을 효율적으로 활용하여 자연어 질문(예: "오바마 전 대통령 이전에 미국 대통령은 누구였는가?")에 답하는 기술이다. 이러한 질문들은 이전 연구가 충분히 다루지 못한 세 가지 시계열 관련 도전 과제를 자주 수반한다. 첫째, 질문에서 관심 있는 정확한 시점(timestamp)을 명시하지 않는 경우가 많다(예: "오바마"라는 이름만 제시하고 2000년과 같이 구체적인 시점을 제시하지 않음). 둘째, 시간 관계에 대한 미묘한 어휘적 차이를 처리해야 하는 경우가 있다(예: "이전"과 "이후"의 구분). 셋째, 이전 연구가 활용한 표준 시계열 KG 임베딩은 타임스탬프의 시계열 순서를 무시하기 때문에, 시계열 순서에 의존하는 질문을 정확히 해결하는 데 어려움이 있다. 본 논문에서는 이러한 문제들을 해결하기 위해 시계열 민감한 질문 응답(TSQA, Time-Sensitive Question Answering) 프레임워크를 제안한다. TSQA는 질문에서 암시된 시점을 추론하는 타임스탬프 추정 모듈을 갖추고 있으며, 시계열 KG 임베딩에 순서 정보를 주입하기 위해 시계열 민감한 KG 인코더를 도입한다. 또한 잠재적 답변 탐색 공간을 줄이는 기술을 활용함으로써, TSQA는 새로운 시계열 KG 질문 응답 벤치마크에서 기존 최고 성능 모델을 크게 능가하며, 특히 시계열 KG 내의 여러 사실에 대해 다단계 추론이 필요한 복잡한 질문에서 절대 오류율을 32% 감소시키는 데 성공하였다.