时序知识图谱增强的问答框架TEQA：动态知识表征与可解释推理新范式

【编辑推荐】针对传统知识问答系统难以整合时序信息的问题，研究人员提出时序知识图谱增强问答框架TEQA，通过时序上下文建模、多模态语义对齐和动态子图推理三大模块，在CronQuestions和TimeQuestions基准测试中实现100% Hits@1/10的精准回答，为医疗、金融等时效敏感领域提供可追溯的决策支持。

　　

在数据驱动的时代背景下，知识图谱已成为组织结构化知识的核心工具。然而，当面对"大萧条时期美国总统是谁？"这类问题时，传统静态知识图谱因缺乏时间维度标注，往往无法给出准确答案。这种局限性在医疗诊断、金融风控等时效敏感场景中尤为突出——医生需要追溯患者病史的时间线，分析师必须捕捉市场事件的因果关系。时序知识图谱（Temporal Knowledge Graphs, TKGs）虽然通过引入时间戳（如_τ）扩展了传统三元组（s, p, o）的表示能力，但现有知识图谱问答系统（KBQA）仍面临三大挑战：时序上下文建模不足导致语义割裂、多模态表征对齐困难、动态推理缺乏可解释性。

针对这些痛点，获得国家自然科学基金（62466016、62241202）和国家重点研发计划（2021ZD0111002）支持的研究团队开发了时序知识图谱增强问答框架TEQA。该研究创新性地融合了微分几何与张量运算，在Knowledge-Based Systems发表的论文中展示了如何通过数学形式化方法解决时序敏感的复杂查询问题。

关键技术方法包括：1）基于多尺度特征提取的时序上下文建模模块，将自然语言问题转化为动态上下文图；2）联合嵌入空间构建技术，实现问题语义与时序知识图谱（TKGs）的跨模态对齐；3）时序感知的约束推理算法，通过动态子图剪枝生成可解释的决策路径。实验采用CronQuestions和TimeQuestions基准数据集，对比了CornKGQA、TempoQR等6种基线方法。

【Temporal Context Modeling】
通过解析问题中的显式/隐式时间表达式（如"大萧条期间"），该模块构建包含时间-实体关系的上下文图。相较于CornKGQA的固定模板，TEQA能自适应识别"before 2020"等复杂时间约束，准确率提升19.3%。

【Knowledge-Enhanced Multimodal Embedding】
提出双线性注意力机制，在共享嵌入空间对齐语言表述与TKGs的时空特征。实验显示，该设计解决了TempoQR模型存在的语义-时序割裂问题，在"COVID-19爆发前后的经济政策"类问题上F1值达到0.92。

【Dynamic Subgraph Reasoner】
引入时序约束传播算法，在推理过程中动态剪枝无关事实。例如处理"某药物获批后哪些公司股价上涨"的多跳查询时，通过时间窗口过滤将推理效率提高47%，同时保持100%的Hits@1精度。

【Experiments】
在包含简单查询（Single-fact）和复杂推理（Multi-hop）的混合测试集上，TEQA全面超越基线模型。特别是在需要时间约束组合的医疗案例查询中，其置信度估计模块提供的可追溯证据链，使决策透明度提升60%。

该研究开创性地将微分几何应用于时序知识推理领域，TEQA框架的三大突破值得关注：其一，上下文建模模块通过张量分解捕获时间-实体交互，解决了传统方法[4]对动态知识建模的不足；其二，多模态嵌入网络采用流形学习技术，在黎曼空间实现语义-时序的统一表征；其三，子图推理器创新的时序感知剪枝策略，为CTRN[6]等模型存在的证据链断裂问题提供了解决方案。这些进展不仅推动了TKGs在实时决策系统中的应用，其知识溯源机制更为AI可解释性研究提供了新思路。未来工作可探索该框架在临床诊疗时序推理、金融事件因果关系挖掘等垂直领域的迁移应用。