时间知识图谱问答的时间敏感性提升方法
背景与问题定义
时间知识图谱（TKG）是动态演变的，实体间关系具有时间戳或时间段，现有TKG表示学习方法如HyTE和TransE等将四元组转换为三元组，但缺乏时间敏感性。时间知识图谱问答（TKGQA）任务面临挑战，包括理解问题推断发生时间、建模时间戳和时间线、填补KG中的时间戳与问题时间词之间的差距。现有方法未充分探索隐式时间关系，如时间顺序或KG距离。
TSQA方法
TSQA方法提出了一种时间敏感型QA模块，通过以下步骤提升TKGQA的时间敏感性：
- 问题分解：识别实体、时态表达式和问题类型。
- 邻居图提取：基于BERT提取实体邻居图，缩小答案搜索空间。
- 时间估计：学习时间嵌入，估计每个时间戳的分数。
- 实体预测：使用时间嵌入增强实体预测功能。
- 对比问题生成：通过对比问题学习时间顺序，生成对比问题并分类，增强问题编码器对时间关系词的敏感性。
- 时间顺序建模：将位置嵌入添加到KG，计算时间戳嵌入的时间顺序概率，学习时间顺序敏感的TKG嵌入。
实验与结果
实验在分类问题、简单问题、复杂问题等数据集上进行，结果表明：
- TSQA在复杂问题上的Hits@1相对改进超过82%，绝对误差减少32%，优于当前最佳结果。
- 对于“之前/之后”、“首次/最终”和“时间联合”问题，TSQA分别达到75%、94%、56%的 Hits@1，显著捕捉时间敏感性变化。
- 消融研究显示，所有模块均提升性能，特别是复杂问题；TE和NG带来显著改善；时间估计对TQA至关重要；缩小搜索空间有助于定位答案。
研究结论
TSQA方法通过时间敏感型QA模块、对比问题生成和时间顺序建模，有效提升了TKGQA的时间敏感性，在复杂问题上取得显著性能提升，为解决TKGQA任务提供了新的思路和方法。
