融合模糊信息建模与动态路径记忆网络的时序知识图谱查询模型

《Neurocomputing》：Temporal Knowledge Graph Query Model Fusing Fuzzy Information Modeling and Dynamic Path Memory Network

　　

摘要

时间知识图谱（TKG）通过在事实中引入时间信息来扩展静态知识图谱（KG），其中每个事实由实体、关系和时间戳组成。时间知识图谱查询（TKGQ）旨在通过解析自然语言问题，从TKG中检索对时间敏感的目标事实。尽管现有模型能够有效处理包含显式时间戳的简单查询，但它们在处理涉及隐式时间约束的复杂查询时往往缺乏推断时间信息的能力。此外，现实世界中的TKG通常是模糊的，其中实体或关系对应于不同时间点上的多个相似但不同的事实。这种模糊性阻碍了检索过程中中间事实的准确选择以及语义一致查询路径的建立。为应对这些挑战，我们提出了一种名为模糊逻辑动态查询路径（DQPFL）的新模型。首先，我们设计了一种多粒度语义聚合编码器，在多个语义层级上解析查询，以捕获隐式时间线索并处理模糊语义。其次，我们构建了一个路径记忆网络来解决模糊信息问题，该网络能够在不受模糊信息影响的情况下，自适应地调整查询主体和每个候选实体在历史时间跨度上的时间序列路径信息。在CronQuestions、Complex-CronQuestions和MULTITQ三个数据集上的实验结果表明，DQPFL相较于当前基线模型取得了更好的性能。

引言

知识图谱是一种基于三元组的结构化数据模型，用于描述现实世界中实体之间的关系。在知识图谱结构中，两个相邻实体通过关系形成一个事实，表示为s, r, o。然而，传统的基于三元组的静态知识图谱无法准确描述动态变化的世界。TKG在静态KG的基础上添加了时间信息，以增强知识图谱的语义，形成s, r, [t₁, t₂], o的结构，其中[t₁, t₂]是对应实体的时间戳或时间段属性。时间知识图谱查询的核心任务是从时间知识图谱中检索与具有时间约束的问题相关的时间事实，最终生成符合时间条件的答案。

现有的时间知识图谱查询方法大致可分为基于查询图生成的方法、基于嵌入的方法和基于预训练大语言模型的方法。基于查询图生成的方法根据特定条件和时间戳构建查询图。TEQUILA [1] 依赖于手工设计的分解规则来处理时间约束。Huang等人 [2] 提出集群查询通过索引解决方向性问题。Chekol等人 [3] 专注于连接不同的时间区间。SubGTR [4] 将查询解析与子图推理相结合。TSQA [5] 通过邻域节点搜索增强时间敏感性。基于信息嵌入的方法通过向量表示分解查询以识别时间成分。EmbedKGQA [6] 和EaE [7] 展示了实体感知表示的效用。CronKGQA [8] 利用嵌入将问题视为虚拟关系以进行链接预测。TempoQR-Hard [9] 从TKG中检索显式时间戳，而TempoQR-Soft [9] 在嵌入空间中推断潜在的时间信息。MultiQA [10] 集成了多粒度时间信息。Sharma等人 [11] 采用带有时间约束的关系图卷积网络返回时间匹配的结果。基于预训练大语言模型的方法通过编码器从问题文本中提取上下文信息，在TKG中以实体和时间戳嵌入进行查询。TempoQR [9] 利用构建的上下文、实体和时间表示，在知识图谱嵌入空间中与评分函数协同工作。TemporalT5 [12] 将时间戳注释直接纳入T5架构的查询输入中以生成时间感知响应。KGT5 [13] 通过将时间编码与图级注意力机制相结合来提高适应性。TimeR4 [14] 利用由检索、重写、时间序列检索和重排组成的四阶段框架来协同增强TKG和大语言模型。TempAgent [15] 通过采用多粒度时间过滤工具来推进TKG的查询能力。然而，这三类方法存在一些问题。例如，基于查询图生成的方法通常依赖于手工规则，这使得难以捕获和推理复杂查询中的隐式时间信息；基于嵌入信息的方法通常在语义缺失和高维向量嵌入的可解释性方面存在问题；对于具有隐式时间约束的复杂查询，这些模型往往忽略图中事实之间的拓扑信息。

另一方面，现实世界中的事实通常是模糊的，许多查询问题包含"优秀"、"大约"和"理解"等具有不同程度模糊性的词汇。Ji等人 [16]、[17]、[18] 开发了一种专门为模糊时空KG上的多跳查询设计的嵌入模型，显著提升了在不完整图上的性能。FIS [19] 被引入以提高神经模糊系统的准确性。GNN-QE [20] 通过将复杂的一阶逻辑查询分解为对模糊集的关系投影和逻辑运算，为中间变量提供了可解释性。这些模型依赖于嵌入向量之间的距离，但忽略了管理事实关系的潜在规则。

为了解决上述隐式时间约束和模糊事实导致的可解释性缺失等挑战，我们提出了一种名为模糊逻辑动态查询路径（DQPFL）的新模型。具体而言，我们的模型通过两个相应的具体贡献来应对核心挑战。首先，为了捕获复杂查询中隐含的时间信息，我们设计了一种多粒度语义聚合编码器，在词单元和上下文维度上解析查询。分层编码使模型能够捕获通常被单粒度嵌入方法忽略的隐式时间线索。其次，为了解决模糊信息问题并提高查询过程的可解释性，我们设计了一个查询路径记忆框架。该网络配备了时间注意力窗口，并利用GRU门控机制来评估模糊关系，自适应地调整中间事实的路径信息，而不会被固有的模糊性所干扰。我们的主要贡献如下：

• ●
  我们设计了一种多粒度语义编码器来解决模糊信息问题并捕获TKGQ中隐含的时间信息。
• ●
  我们构建了一个带有时间注意力窗口的查询路径记忆网络，确保TKGQ的语义一致性。
• ●
  在三个数据集上的大量实验验证了DQPFL的优越性能。

本文的其余部分结构如下：第2节概述了TKGQ的相关工作。第3节给出了形式化TKGQ的问题定义。第4节介绍了我们提出的DQPFL。第5节设计了充分的实验来评估我们的模型。第6节给出了结论。

章节片段

静态知识图谱查询

传统的知识图谱查询主要依赖于嵌入技术，将事实三元组嵌入为向量，然后在构建的模型中进行训练。EAE [7] 模型将实体表示捕获到语言模型的学习参数中，并直接从文本中学习，从而实现了对文本中提及的不同实体的内存位置的访问。EmbedKGQA [6] 是第一个将知识图谱嵌入技术应用到知识图谱问答的模型。

任务定义

在本节中，我们提供模型相关的符号和描述，如表1所示。为了确保整个论文的数学严谨性和一致性，我们采用统一的符号规范：矩阵用大写字母表示（例如，W），向量用小写字母表示，标量用常规字体表示。对于所有方程中的时间事实，主体实体、客体实体和时间戳分别统一标准化为e_s、e_o和τ，除非

方法论

在本节中，我们提出了一种创新的知识图谱问答模型DQPFL。如图2所示，我们的模型分为三个部分：(1) 我们设计了一种多粒度语义聚合编码器，实现对自然语言问题的多层次分析，能够有效地捕获问题中的实体关系和隐藏的时间信息。结合与问题文本对应的实体，在模糊逻辑上的关系聚合

数据集

数据集。本研究使用了三个数据集。作为TKGQ领域广泛使用的基准数据集，CronQuestions包含具有丰富时间注释的时间序列知识图谱和需要时间序列推理的自然语言问题。该数据集将问题分为两类：简单查询和复杂查询。简单查询问题可以基于单个事实进行回答，而复杂查询问题需要综合多个事实进行

结论

DQPFL框架通过整合语义分解、自适应时间推理、模糊逻辑和多跳路径记忆，为时间知识图谱问答挑战提供了全面的解决方案。与传统的静态知识图谱方法不同，我们的模型动态地适应不断变化的时间上下文，通过创新的时间窗机制捕获短期事件和长期趋势，同时确保自然语言之间的精确对齐

CRediT作者贡献声明

朱琳：撰写—审阅与编辑，撰写—原稿撰写，方法论，调查研究，资助获取，正式分析。白路怡：撰写—审阅与编辑，撰写—原稿撰写，方法论，调查研究，资助获取，正式分析，概念构思。徐帅：撰写—原稿撰写，验证，方法论，调查研究，正式分析。

利益冲突声明

作者声明，他们没有已知的经济利益冲突或个人关系，这些利益冲突或关系可能会影响本文所报道的工作。

致谢

本工作得到了北方民族大学中央高校基本科研业务费（2026XYZJK01）的支持。

朱琳，获得中国辽宁工程技术大学的博士学位。她目前是北方民族大学的一名讲师。她目前的研究兴趣包括知识图谱和时空数据库。她在IEEE Transactions on Big Data、Knowledge-Based Systems、Expert Systems with Applications、Engineering Applications of Artificial Intelligence、Applied Soft Computing、Neural Networks等多个国际期刊和会议上发表了30多篇论文，

朱琳|徐帅|白路怡

北方民族大学计算机科学与工程学院，银川 750021，中国