本文提出了一种基于嵌入感知的方法，名为 'Temporal Question Reasoning' (TempoQR)，用于回答复杂的基于时间的知识图谱问答。实验表明，TempoQR 在复杂的时间问题上比现有的先进方法提高了 25-45 个百分点，并且更好地泛化到看不见的问题类型。

Dec, 2021

本文从两个角度，即时间问题的分类和基于语义解析和知识图嵌入的方法论分类，对时间知识图问答（TKGQA）进行了全面概述，为该领域的发展提供了参考，并激发了进一步研究的动力。

Jun, 2024

本文提出了一种新的任务：在时间知识图谱上进行预测问答，同时还提出了一个大规模 TKGQA 基准数据集 ForecastTKGQuestions，用于评估 QA 模型。最终提出 ForecastTKGQA 模型来回答三种类型的问题，实验结果表明它的表现优于最新的 TKGQA 方法。

Aug, 2022

通过建立一个新的名为 STComplEx 的 STKG 嵌入方法，从问题中提取时空信息，我们的 STCQA 模型可以更好地理解问题，并从 STKG 中检索准确答案。通过广泛的实验，我们展示了我们数据集的质量和我们 STKGQA 方法的有效性。

Feb, 2024

提出了一个新的时间上下文感知问答（TCQA）框架，通过时间上下文依赖的数据生成框架训练模型，提供了一个用于评估 QA 模型时间感知能力的度量标准，通过数据集和代码验证，TCQA 模型在 TimeQA 数据集上的 F1 分数优于基线模型至少 8.5。

Oct, 2023

提出一种新颖的生成式时间知识图问答框架（GenTKGQA），通过两个阶段引导 LLMs 回答时间性问题：子图检索和答案生成。在第一个阶段，利用 LLM 的内在知识来挖掘问题中的时间约束和结构链接，从而缩小子图搜索空间。在第二个阶段，设计虚拟知识指示器将子图的图神经网络信号与 LLM 的文本表示非浅层次地融合，帮助开源 LLM 深入理解检索到的事实中的时间顺序和结构依赖关系。实验结果表明，该模型优于最先进的基准方法，甚至对于简单问题类型的指标达到 100％。

Feb, 2024

本文介绍了 CRONQUESTIONS—— 最大的已知的 Temporal KGQA 数据集，通过多次实验，提出了 CRONKGQA—— 一种基于转化器的解决方案，该方案利用了 Temporal KG 嵌入的最新进展，在准确性上超越所有基线方法，相比于下一个最佳表现方法提高了 120％。

Jun, 2021

给出了用于回答知识图谱上有关时间性问题的 Semantic Framework of Temporal Constraints 框架与基于实体的查询生成方法 SF-TQA，并针对不同知识库进行了评估实验。

Oct, 2022

EXAQT 是第一个用于回答时间问题的端到端系统，可以为包含多个实体和谓词以及相关时间条件的复杂时间问题提供自然语言答案，并通过 Group Steiner Trees 和 fine-tuned BERT 模型以及时间感知的实体嵌入和关注时间关系的关系图卷积网络，提高 KG-QA 的效率和准确性。

Sep, 2021

基于时间知识图谱问答的研究通过引入基于语义解析的方法，设计了基础的时间操作符，并且采用自我改进的策略提高了大型语言模型在理解问题和生成答案方面的能力。

Apr, 2024