關(guān)于時間知識圖譜問答的一篇綜述
前言
時間知識圖譜問答（TKGQA）是KBQA中一個關(guān)注時間問題的重要子任務(wù)。時間問題包含時間約束、需要時間標(biāo)記的答案，反映了現(xiàn)實世界事件的動態(tài)和演變性質(zhì)。
一、TKGQA
1.1 概述
- 時間知識圖譜（TKG）：
- 通常表示為 G = (E, R, T, F)，其中 E、R、T 和 F 分別代表實體（entities）、關(guān)系（relations）、時間戳（timestamps）和事實（facts）。
- 一個時態(tài)事實 f ∈ F 由一個或多個實體、關(guān)系和相關(guān)的時間戳組成。
- 時態(tài)事實可以以多種形式表示，包括復(fù)合值類型（Compound Value Types，簡稱 CVTs）、三元組、n-元組、五元組和四元組。
- 時態(tài)問題（Temporal Question）：
時態(tài)問題至少包含一個時態(tài)約束或需要時間戳作為答案。
時態(tài)約束涉及時態(tài)表達式和時態(tài)詞的組合，為答案必須滿足的特定時間點或時間間隔設(shè)置條件（例如，“在1996年”）。
時態(tài)表達式指的是具有不同粒度級別的自然語言中的時間點或時間間隔（例如，“2024年5月11日”）。
時態(tài)詞表示時態(tài)表達式之間的時態(tài)關(guān)系，并作為觸發(fā)詞對答案施加約束（例如，“在”，“之后”或“期間”）。
時間知識圖譜問答（TKGQA）任務(wù)：
給定時態(tài)知識圖譜 G 和自然語言中的時態(tài)問題 q，TKGQA 任務(wù)的目標(biāo)是使用 G 中的一組實體{ e | e ∈ E }或時間戳 {τ | τ ∈ T}來回答 q。
1.2 相關(guān)數(shù)據(jù)集
圖片
二、時間問題分類
作者們根據(jù)問題內(nèi)容、答案類型和復(fù)雜性三個維度對時態(tài)問題進行了分類：
圖片
- 問題內(nèi)容（Question Content）：
時態(tài)粒度（Temporal Granularity）：問題可以根據(jù)其時態(tài)表達式的粒度進行分類，常見的粒度包括“年”、“月”、“日”，其中“年”是最常見的。
時態(tài)表達式（Temporal Expression）：
問題可以基于其時態(tài)表達式的性質(zhì)被分類為顯式的或隱式的。顯式的時態(tài)表達式可以在不需要額外上下文的情況下標(biāo)準(zhǔn)化（例如，“2023年9月”可以標(biāo)準(zhǔn)化為2023-09）。而隱式的時態(tài)表達式，如事件名稱或具有時態(tài)范圍的短語（例如，“2024年巴黎奧運會”），需要上下文信息才能被標(biāo)準(zhǔn)化為特定的時間間隔。
時態(tài)約束（Temporal Constraints）：
時態(tài)約束的類型反映了時態(tài)表達式之間的時態(tài)關(guān)系。作者簡化了 Allen 的內(nèi)部代數(shù)用于時態(tài)推理，將其歸納為六種關(guān)系類型：Before/After（之前/之后）、Equal（相等）、Overlap（重疊）、During/Include（期間/包含）、Start/End（開始/結(jié)束）、Ordinal（序數(shù)）。
圖片
時態(tài)約束組合（Temporal Constraints Composition）：
當(dāng)一個問題中存在多個時態(tài)約束時，就會發(fā)生時態(tài)約束的組合。例如，“誰是2005年第一個要求與多哥會面的？”這個問題結(jié)合了 Equal 類型的約束“在2005年”和 Ordinal 類型的約束“第一個”，答案必須同時滿足這兩個約束。
- 答案類型（Answer Type）：
時態(tài)問題可能需要的答案類型可以是實體的集合或時間戳的集合，時間戳的粒度會根據(jù)具體問題而變化。答案類型由問題詞引導(dǎo)，例如“誰”用于實體，“哪一年”用于時間戳。 - 復(fù)雜性（Complexity）：
KBQA 任務(wù)中定義復(fù)雜問題為需要從多個事實中檢索答案的問題。受這些工作啟發(fā)，作者也根據(jù)復(fù)雜性對時態(tài)問題進行了分類，將時態(tài)問題分為簡單和復(fù)雜兩類。
簡單問題（Simple questions）：簡單問題依賴于單一事實進行解答。例如，“2012年德國使用的貨幣是什么？”只需要檢索一個事實 <德國, 貨幣, 歐元, 2012>。
復(fù)雜問題（Complex questions）：復(fù)雜問題需要整合多個事實。例如，“奧巴馬之前的美國總統(tǒng)是誰？”首先根據(jù)事實 <奧巴馬, 美國總統(tǒng), 2009, 2017> 建立時間約束“2009年之前”，然后系統(tǒng)識別出立即之前的個人，通過事實 <喬治·W·布什, 美國總統(tǒng), 2001, 2009> 確認為喬治·W·布什，這種多步驟推理過程展示了這類問題的復(fù)雜性。
相關(guān)數(shù)據(jù)集覆蓋情況
圖片
三、TKGQA方法
3.1 基于語義解析的方法（SP-based）
圖片
通常有四個步驟：
- 問題理解（Question Understanding）：將自然語言問題轉(zhuǎn)換為編碼表示，以便于后續(xù)解析。例如，使用抽象意義表示（AMR）來捕捉時態(tài)詞匯和隱式的時態(tài)約束。
- 邏輯解析（Logical Parsing）：將編碼的問題轉(zhuǎn)換為未實例化的邏輯形式。這可能涉及到使用預(yù)定義的規(guī)則或模板來解析問題。
圖片
- TKG 定位（TKG Grounding）：通過TKG中的元素（實體、關(guān)系、時間戳）來定位未綁定的邏輯形式中的元素。
- 查詢執(zhí)行（Query Execution）：執(zhí)行定位后的邏輯形式，以從TKG中檢索最終答案。一些方法在這一階段進行時態(tài)推理。
3.2 基于時態(tài)知識圖譜嵌入的方法（TKGE-based）
圖片
通常有三個步驟：
- TKG 嵌入（TKG Embedding）：生成TKG元素（實體和時間戳）的嵌入表示，并創(chuàng)建候選答案池。
- 問題嵌入（Question Embedding）：分析時態(tài)問題的語義，并整合與時間相關(guān)的信息，以嵌入問題。
- 答案排序（Answer Ranking）：基于問題和候選答案的嵌入表示，對候選答案進行排序。
3.3 方法對比
下表探討了不同方法在處理簡單和復(fù)雜問題時的表現(xiàn)，以及它們在處理顯式和隱式時態(tài)表達、不同粒度的時態(tài)粒度、不同類型時態(tài)約束和組合時的能力。
圖片
四、Leaderboard
圖片
總結(jié)
該文章建立了一個關(guān)于時間問題分類體系，基于問題內(nèi)容、答案類型和復(fù)雜性對問題進行分類。并現(xiàn)有方法分為兩類：基于語義解析的方法和基于時間知識圖譜嵌入的方法。
參考文獻
- Temporal Knowledge Graph Question Answering: A Survey，https://arxiv.org/pdf/2406.14191
