计算机应用

作者：蒋汶娟, 过弋, 付娇娇

单位：1.华东理工大学 信息科学与工程学院，上海 200237；2.大数据流通与交易技术国家工程实验室 商业智能与可视化技术研究中心，上海 200436；3.上海大数据与互联网受众工程技术研究中心，上海 200072

关键词：时序知识图谱,复杂问答,图注意力网络,时序推理,时序关系表示

基金：上海市科学技术委员会科技计划项目(22511104800)

在时序知识图谱问答（TKGQA）任务中，针对模型难以捕获并利用问句中隐含的时间信息增强模型的复杂问题推理能力的问题，提出一种融合图注意力的时序知识图谱推理问答（GACTR）模型。所提模型采用四元组形式的时序知识库（KB）进行预训练，同时引入图注意力网络（GAT）以有效捕获问句中隐式时间信息；通过与RoBERTa（Robustly optimized Bidirectional Encoder Representations from Transformers pretraining approach）模型训练的关系表示进行集成，进一步增强问句的时序关系表示；将该表示与预训练的时序知识图谱（TKG）嵌入相结合，以获得最高评分的实体或时间戳作为答案预测结果。在最大的基准数据集CRONQUESTIONS上的实验结果显示，GACTR模型在时序推理模式下能更好地捕获隐含时间信息，有效提升模型的复杂推理能力。与基线模型CRONKGQA（Knowledge Graph Question Answering on CRONQUESTIONS）相比，GACTR模型在处理复杂问题类型和时间答案类型上的Hits@1结果分别提升了34.6、13.2个百分点；与TempoQR（Temporal Question Reasoning）模型相比，分别提升了8.3、2.8个百分点。

来源：2024年第10期

《计算机应用》期刊编辑部

查看计算机应用杂志2024年第10期