시간 정보를 고려한 이종 그래프 추론: 다중 관점 융합을 통한 시간 기반 질의 응답

Temporal-Aware Heterogeneous Graph Reasoning with Multi-View Fusion for Temporal Question Answering

시간에 민감한 질의를 처리하기 위한 시간 기반 지식 그래프 질의 응답(TKGQA)은 최근 큰 관심을 받고 있습니다. 그러나 기존 방법은 여전히 다음과 같은 어려움을 겪고 있습니다. 1) 질문 표현에 시간 제약 조건이 미흡하게 반영되어 편향된 추론이 발생합니다. 2) 명시적인 다중 홉 추론 능력이 제한적입니다. 3) 언어 정보와 그래프 표현의 융합이 최적이 아닙니다. 우리는 시간 정보를 고려한 질문 인코딩, 다중 홉 그래프 추론, 그리고 다중 관점 이종 정보 융합을 특징으로 하는 새로운 프레임워크를 제안합니다. 구체적으로, 우리의 접근 방식은 다음과 같은 요소를 포함합니다. 1) 시간 정보와 언어 모델로부터 얻은 의미 정보를 결합하여 시간적 엔터티의 변화를 고려하는 제약 조건 기반 질문 표현; 2) 시간 정보를 활용하여 명시적인 다중 홉 추론을 위한 시간 인식 메시지 전달을 사용하는 시간 인식 그래프 신경망; 3) 질문의 문맥과 시간 기반 그래프 지식을 보다 효과적으로 융합하기 위한 다중 관점 어텐션 메커니즘. 여러 TKGQA 벤치마크에서의 실험 결과는 여러 기준 모델에 비해 일관된 성능 향상을 보여줍니다.

Question Answering over Temporal Knowledge Graphs (TKGQA) has attracted growing interest for handling time-sensitive queries. However, existing methods still struggle with: 1) weak incorporation of temporal constraints in question representation, causing biased reasoning; 2) limited ability to perform explicit multi-hop reasoning; and 3) suboptimal fusion of language and graph representations. We propose a novel framework with temporal-aware question encoding, multi-hop graph reasoning, and multi-view heterogeneous information fusion. Specifically, our approach introduces: 1) a constraint-aware question representation that combines semantic cues from language models with temporal entity dynamics; 2) a temporal-aware graph neural network for explicit multi-hop reasoning via time-aware message passing; and 3) a multi-view attention mechanism for more effective fusion of question context and temporal graph knowledge. Experiments on multiple TKGQA benchmarks demonstrate consistent improvements over multiple baselines.