RTQA : Recursive Thinking for Complex Temporal Knowledge Graph Question Answering with Large Language Models
Zhejiang University（浙江大学）；Ant Group（蚂蚁集团）；ZJU-Ant Group Joint Lab of Knowledge Graph（浙江大学-蚂蚁集团知识图谱联合实验室）
针对现有时序知识图谱问答方法处理复杂查询能力弱、推理能力有限及误差传播的问题，提出无需训练的RTQA递归思考框架，通过递归分解问题、自底向上求解和多路径答案聚合提升性能，在两个基准上的相关类别指标优于现有最优方法。
2025-09-04 cs.AI cs.CL
On the Temporal Question-Answering Capabilities of Large Language Models Over Anonymized Data
AI Research, JP Morgan Chase（人工智能研究, 花旗集团）
本文研究大型语言模型在匿名数据上的时间推理能力，开发了RATA数据集并比较了多种方法，发现需要集成方法而非单一LLM。
2025-12-02 cs.AI cs.CL
Towards Robust Temporal Reasoning of Large Language Models via a Multi-Hop QA Dataset and Pseudo-Instruction Tuning
DAMO Academy, Alibaba Group（阿里巴巴集团达摩院）；National University of Singapore（新加坡国立大学）
针对现有时序问答研究未关注多答案多跳推理的问题，本文构建了复杂时序推理数据集Complex-TR并提出新型数据增强策略，显著提升了大语言模型的时序推理性能与鲁棒性。
2024-07-12 cs.CL
CS1QA: A Dataset for Assisting Code-based Question Answering in an Introductory Programming Course
KAIST（韩国科学技术院）
我们介绍了CS1QA，一个数据集的基于代码的问答在编程教育领域。CS1QA由9，237个问答对组成，这些问答对是从使用Python的入门编程课程中的聊天日志中收集的，还有17，698个带代码的未注释聊天数据。每个问题都附有学生的代码，以及与回答问题相关的代码部分。我们精心设计了CS1QA的标注过程，并对收集到的数据集进行了详细的分析。CS1QA的任务是预测问题类型，给出问题和代码的相关代码片段，并从带注释的语料库中检索答案。几个基线模型的实验结果进行了报告和深入分析。CS1QA的任务要求模型理解代码和自然语言。这个独特的数据集可以用作教育环境中源代码理解和问答的基准。
2022-10-26 cs.CL
Towards Visual-Prompt Temporal Answering Grounding in Medical Instructional Video
College of Electrical and Information Engineering, Hunan University（湖南大学电气与信息工程学院）
针对医学教学视频中时间答案定位任务，提出视觉提示文本跨度定位方法，利用带时间戳字幕和视觉高亮特征，在MedVidQA上以mIOU提升28.36%超越现有方法。
2022-03-29 cs.AI cs.CL cs.CV
Question Answering as Programming for Solving Time-Sensitive Questions
Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）；Microsoft（微软）
针对LLMs因无法基于表层语义进行严格推理而难以解决时间敏感问答的问题，提出QAaP框架，将问答任务转化为编程任务，通过生成结构化代码从候选答案中选择最佳匹配项，在多个数据集上取得显著提升。
2023-10-20 cs.CL
Question Answering in Natural Language: the Special Case of Temporal Expressions
LISN-CNRS, Université Paris-Saclay（法国巴黎萨克雷大学、法国国家科学研究中心（CNRS）所属的信息、信号与图像处理实验室（LISN））
针对时间问答关注不足的问题，本文提出受 SQuAD 启发的新数据集，并利用 WikiWars 语料库训练深度学习模型，验证了通用问答中的答案抽取与模式匹配方法可成功应用于时间问答。
2023-11-23 cs.CL
Semantic Framework based Query Generation for Temporal Question Answering over Knowledge Graphs
Nanjing University（南京大学）
本文提出SF-TQA方法，基于时序约束语义框架生成查询图，解决时序知识图谱问答中事件时间关联问题，在两个基准上显著优于现有方法。
2023-05-11 cs.CL
Fusing Temporal Graphs into Transformers for Time-Sensitive Question Answering
University of Arizona（亚利桑那大学）；Intel Labs（英特尔实验室）
本文研究时间敏感问答，提出将抽取的事件、时间和时序关系图融合到Transformer输入文本中，显著提升时序推理能力，并在SituatedQA和TimeQA上取得最优性能。
2023-10-30 cs.CL
ComplexTempQA:A 100m Dataset for Complex Temporal Question Answering
University of Innsbruck（因斯布鲁克大学）；Technical University Dresden（德累斯顿技术大学）
本文提出ComplexTempQA数据集，包含超1亿问答对，通过属性、比较和计数三类高复杂度时间问题及详细元数据，全面评估大语言模型的时间推理能力。
2025-08-22 cs.CL
Continual Learning for Temporal-Sensitive Question Answering
University of Technology Sydney（悉尼科技大学）；University of Sydney（悉尼大学）；Hangzhou Dianzi University（杭州电子科技大学）
本研究针对时间敏感问答的持续学习问题，构建了五子集数据集，并提出融合时间记忆回放与时间对比学习的训练框架，有效应对动态信息环境下的挑战，提升模型性能。
2024-07-17 cs.CL
HistoryBankQA: Multilingual Temporal Question Answering on Historical Events
本文提出了包含1000万以上历史事件的多语言数据库HistoryBank，并构建了涵盖6种时序推理任务的问答基准，评估了多种流行语言模型在多语言历史事件时序推理上的表现。
2025-09-16 cs.CL
Declarative Question Answering over Knowledge Bases containing Natural Language Text with Answer Set Programming
Allen Institute for Artificial Intelligence（艾伦人工智能研究所）；Arizona State University（亚利桑那州立大学）
虽然近年来基于机器学习（ML）的方法已经成为开发端到端问答系统的流行方法，但是当需要额外的知识来正确回答问题时，这样的系统经常会遇到困难。所提出的替代方案涉及将问题和自然语言文本翻译成逻辑表示，然后使用逻辑推理。然而，当文本的大小变得更大时，这种替代方法就不起作用了。为了解决这个问题，我们提出了一种方法，在自然语言文本中编写的前提进行逻辑推理。所提出的方法使用答案集编程（ASP）的最新功能来调用执行简单文本蕴涵的外部NLP模块（可能基于ML）。为了测试我们的方法，我们开发了一个语料库的生存周期问题的基础上，并表明，我们的系统实现了$18\%$性能增益相比，标准MCQ求解器。
2019-05-01 cs.AI cs.CL
A Heterogeneous Graph with Factual, Temporal and Logical Knowledge for Question Answering Over Dynamic Contexts
Sun Yat-sen University（中山大学）；Microsoft Research（微软研究院）
我们在一个动态的文本环境中研究问答。虽然神经网络模型通过从输入输出示例中学习来实现令人印象深刻的准确性，但它们很少利用各种类型的知识，并且通常不可解释。在这项工作中，我们提出了一个基于图的方法，其中一个异构的图是自动构建的上下文的事实知识，过去的状态的时间知识，和逻辑知识，结合人类策划的知识库和规则库。我们在构建的图上开发了一个图神经网络，并以端到端的方式对模型进行训练。在基准数据集上的实验结果表明，注入各种类型的知识提高了强大的神经网络基线。我们的方法的另一个好处是，图形本身自然地充当决策背后的理性。
2020-04-25 cs.CL
ProCQA: A Large-scale Community-based Programming Question Answering Dataset for Code Search
Beihang University（北京航空航天大学）；Sino-French Engineer School, Beihang University（北京航空航天大学中法工程师学院）；School of Computer Science and Engineering, Beihang University（北京航空航天大学计算机科学与工程学院）
本文提出大规模社区编程问答数据集ProCQA，并设计模态无关对比预训练方法改进文本与代码表示对齐，在多项代码检索基准上显著超越以往模型。
2024-03-25 cs.CL cs.IR cs.SE
MRAG: A Modular Retrieval Framework for Time-Sensitive Question Answering
Nanyang Technological University（南洋理工大学）；Alibaba-NTU JRI（阿里巴巴-南洋理工大学联合研究院）；NYU Shanghai（上海纽约大学）；Zhejiang University（浙江大学）；Center for Data Science, New York University（纽约大学数据科学中心）
针对大语言模型问答系统在时间敏感问题上的推理短板，该研究提出无需训练的模块化检索框架MRAG，构建TempRAGEval基准，实验证明其检索性能和答案准确率均优于基线方法。
2025-05-21 cs.CL
SCoP: Structured Constraint Parsing for Evidence-Space Control in Temporal Knowledge Graph Question Answering
Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）
SCoP通过结构化约束解析将时间决策外部化，实现证据空间控制，在TKGQA中无需参数更新即在MultiTQ和TimelineCronQ-R上取得领先性能。
2026-09-22 cs.CL
Question Answering via Integer Programming over Semi-Structured Knowledge
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Allen Institute for Artificial Intelligence (AI2)（艾伦人工智能研究所（AI2））
用自然语言表达科学问题是人工智能面临的一个重要挑战。回答这些问题通常需要非平凡的推理和超越事实检索的知识。然而，这项任务的大多数系统是基于相对较浅的信息检索（IR）和统计相关技术操作大型非结构化语料库。我们提出了一个结构化的推理系统，制定为一个线性规划（ILP），回答自然语言的问题，使用半结构化的知识库来自文本，包括需要多步推理和多个事实的组合的问题。在一个真实的、看不见的科学问题的数据集上，我们的系统显著优于（+14%）之前使用马尔可夫逻辑网络（MLN）进行结构化推理的最佳尝试。它也比以前的ILP配方提高了17.7%。当与非结构化推理方法相结合时，ILP系统显着提高了整体性能（+10%）。最后，我们表明，我们的方法是一个简单的答案扰动相比，统计相关性方法更强大。
2016-04-20 cs.AI cs.CL
Time-aware Multiway Adaptive Fusion Network for Temporal Knowledge Graph Question Answering
Tsinghua University（清华大学）；Meituan Inc.（美团公司）
由于知识图在自然语言处理中的广泛应用，知识图受到了越来越多的关注。然而，其在时间问答（QA）上的用例尚未得到很好的探索。大多数现有的方法是基于预先训练的语言模型开发的，这可能无法学习\emph{temporal-specific}表示的实体在时间KGQA任务。为了缓解这个问题，我们提出了一种新的\textbf{T} ime-aware \textbf{M}多路\textbf{A}自适应（\textbf{TMA}）融合网络。灵感来自于人类一步一步的推理行为。对于每个给定的问题，TMA首先从KG中提取相关的概念，然后将它们馈送到多路自适应模块中以产生问题的\emph{temporal-specific}表示。该表示可以与预训练的KG嵌入结合以生成最终预测。实验结果表明，该模型在基准数据集上的性能优于现有的模型。值得注意的是，与性能最佳的基线相比，TMA在CronQuestions数据集的复杂问题上的Hits@1和Hits@10结果绝对提高了24%和10%。此外，我们还表明，TMA采用自适应融合机制，可以通过分析问题表示中的信息比例提供可解释性。
2023-03-14 cs.CL
PAT-Questions: A Self-Updating Benchmark for Present-Anchored Temporal Question-Answering
University of California, Riverside（加州大学河滨分校）
本文提出了当前锚定时间问答（PATQA）的自更新基准PAT-Questions，支持通过SPARQL查询自动刷新答案，评估了多个LLM和SOTA模型，揭示了现有方法在处理相对当前时间问题上的局限性。
2024-06-03 cs.CL
QACP: An Annotated Question Answering Dataset for Assisting Chinese Python Programming Learners
本文针对编程教育智能系统数据稀缺问题，构建了面向中国 Python 学习者的中文问答数据集 QACP，并通过多维度标注与多模型评估揭示通用大语言模型在编程教学辅助中的局限。
2024-02-23 cs.AI cs.CL cs.HC
Question Answering Over Spatio-Temporal Knowledge Graph
Southeast University（东南大学）
本文提出STQAD数据集和STCQA方法，通过联合嵌入时空特征和约束感知推理，提升时空知识图谱问答的性能。
2025-12-16 cs.AI cs.CL
Chronological Passage Assembling in RAG framework for Temporal Question Answering
Department of Artificial Intelligence, Chung-Ang University（人工智能系， Chung-Ang 大学）
针对叙事文本问答中时间线重建的挑战，提出ChronoRAG框架，通过将分散信息精炼为结构化段落并显式维护检索段落的时间顺序，显著提升了事实识别与复杂时序理解的性能。
2025-10-13 cs.CL
Improving Time Sensitivity for Question Answering over Temporal Knowledge Graphs
JD AI Research（京东人工智能研究院）；Alexa AI, Amazon（亚马逊Alexa人工智能部门）
基于时间知识图谱（KG）的问答有效地使用包含在时间KG中的事实来回答自然语言问题（例如，“奥巴马之前的美国总统是谁？”").这些问题通常涉及先前工作未能充分解决的三个与时间相关的挑战：1）问题通常不指定感兴趣的确切时间戳（例如，“Obama”而不是2000年）; 2）时间关系中微妙的词汇差异（例如，“before”vs“after”）; 3）以前的工作所建立的现成的时间KG嵌入忽略了时间戳的时间顺序，这对于回答时间顺序相关的问题至关重要。在本文中，我们提出了一个时间敏感的问答（TSQA）框架来解决这些问题。TSQA具有时间戳估计模块，用于从问题中推断未写入的时间戳。我们还采用了一个时间敏感的KG编码器，将排序信息注入到TSQA所基于的时间KG嵌入中。在减少潜在答案搜索空间的技术的帮助下，TSQA在时间KG上的问答的新基准上显著优于先前的最新技术水平，特别是在需要对时间KG中的事实进行多个推理步骤的复杂问题上实现了32%的（绝对）错误减少。
2022-03-01 cs.CL cs.LG
Targeted Extraction of Temporal Facts from Textual Resources for Improved Temporal Question Answering over Knowledge Bases
Indian Institute of Technology, Kharagpur（印度理工学院克勒格布尔分校）；IBM Research AI（IBM人工智能研究院）
知识库问答（KBQA）系统的目标是通过对从知识库（KB）检索的相关事实进行推理来回答复杂的自然语言问题。这些系统所面临的主要挑战之一是，由于不完整的知识库和实体/关系链接错误等因素，它们无法检索所有相关事实。在本文中，我们解决这个特殊的挑战，系统处理一个特定类别的问题，称为时间问题，答案推导涉及推理的事实断言点/时间间隔的各种事件。我们提出了一种新的方法，有针对性的时间事实提取技术是用来协助KBQA时，它无法检索时间事实从KB。我们使用$λ$ -问题的表达式来逻辑地表示得出答案所需的组成事实和推理步骤。这使我们能够发现那些未能从知识库中检索到的事实，并生成文本查询，以便以开放域问答的方式从文本资源中提取它们。我们评估了我们的方法在基准时间问答数据集考虑维基数据和维基百科分别作为知识库和文本资源。实验结果表明，该方法在回答正确率上相对提高了$\sim$ 30%，证明了该方法的有效性.
2022-03-21 cs.AI cs.CL
Reinforcement learning for question answering in programming domain using public community scoring as a human feedback
ITMO University（ITMO大学）；Huawei（华为）
本文提出用 Stack Overflow 社区评分作为人类反馈，结合两种奖励模型策略和 PPO 微调 GPT Neo 125M，使其编程问答性能提升接近 2.7B 版本，并揭示传统语言指标的不足。
2024-01-19 cs.AI cs.CL cs.HC
Complex Temporal Question Answering on Knowledge Graphs
Southwest Jiaotong University（西南交通大学）；IIT Bhilai（比莱印度理工学院）；Max Planck Institute for Informatics（马克斯·普朗克信息学研究所）
基于知识图谱的问答（KG-QA）是信息检索中的一个重要研究课题。这项工作提出了EXAQT，第一个端到端的系统，用于回答复杂的时间问题，有多个实体和谓词，以及相关的时间条件。EXAQT通过两个阶段回答KG上的自然语言问题，一个阶段是高召回率，另一个阶段是高精度。第一步计算KG中与问题相关的紧凑子图，并使用Group Steiner Trees和微调的BERT模型，明智地用相关的时间事实增强它们。第二步从第一步的输出构造关系图卷积网络（R-GCN），并通过时间感知实体嵌入和对时间关系的关注来增强R-GCN。我们评估EXAQT上的TimeQuestions，一个大型数据集的16 k时间问题，我们从各种通用KG-QA基准编译。结果表明，EXAQT优于三个国家的最先进的系统回答复杂的问题，从而证明专门治疗的时间QA。
2021-09-18 cs.CL cs.IR
Programming Language Agnostic Mining of Code and Language Pairs with Sequence Labeling Based Question Answering
University of California, Berkeley（加州大学伯克利分校）；Tencent Cloud（腾讯云）；Tsinghua University（清华大学）
挖掘对齐的自然语言和程序设计语言对是理解自然语言-程序设计语言对的一个关键任务。现有的方法应用专门的手工制作的功能或单独训练的模型，为每个PL。然而，它们通常遭受跨多个PL的低可转移性，特别是对于具有较少注释数据的利基PL。幸运的是，Stack Overflow回答帖子本质上是一系列文本和代码块，其全局文本上下文可以提供PL不可知的补充信息。在本文中，我们提出了一个基于序列标记的问答（SLQA）方法，以PL不可知的方式挖掘NL-PL对。特别是，我们建议应用BIO标记方案而不是传统的二进制方案来挖掘通常由多个帖子块组成的代码解决方案。在现有的单PL单块基准测试和人工标记的跨PL多块基准测试上的实验证明了SLQA的有效性和可移植性。我们进一步提出了一个并行的NL-PL语料库命名为Lang 2Code自动挖掘SLQA，其中包含约1.4M对6 PL。在统计分析和下游评估下，我们证明Lang 2Code是进一步NL-PL研究的大规模高质量数据资源。
2022-03-21 cs.CL cs.PL
It's High Time: A Survey of Temporal Question Answering
University of Innsbruck（因斯布鲁克大学）；Delft University of Technology（代尔夫特理工大学）
该综述全面梳理时间问答（TQA）领域，聚焦神经架构特别是Transformer和LLM在时间建模、RAG及推理上的进展，并讨论相关基准与评估策略。
2025-08-04 cs.CL cs.IR
Review-Then-Refine: A Dynamic Framework for Multi-Hop Question Answering with Temporal Adaptability
Hong Kong University of Science and Technology(Guangzhou)（香港科技大学（广州））
本文提出名为review-then-refine的动态框架，通过动态重写子查询和自适应检索机制处理时间信息，显著提升了LLMs在多跳问答任务中的表现并减少幻觉。
2024-12-19 cs.CL
TEQUILA: Temporal Question Answering over Knowledge Bases
Southwest Jiaotong University（西南交通大学）；MPI for Informatics（马克斯·普朗克信息学研究所）；Bosch Center for AI（博世人工智能中心）
基于知识库的问答（KB-QA）在处理需要分解成子问题的复杂问题方面提出了挑战。一个重要的情况下，解决这里，是时间的问题，时间关系的线索需要被发现和处理。我们提出TEQUILA，时间QA，可以运行在任何KB-QA引擎的启用方法。龙舌兰酒有四个阶段。它检测问题是否具有时间意图。它将问题分解并重写为非时态子问题和时态约束。然后从底层KB-QA引擎检索子问题的答案。最后，TEQUILA使用时间间隔上的约束推理来计算完整问题的最终答案。与最先进基线的比较表明了我们方法的可行性。
2021-01-25 cs.CL cs.IR
SABET-QA: Temporal Knowledge Graph Question Answering
ENS Paris-Saclay（巴黎-萨克雷高等师范学校）；École Polytechnique（巴黎综合理工学院）；QuickSort Research（快排研究院）
针对时序知识图谱问答中现有方法难以处理多步查询的问题，提出SABET-QA框架，通过双向实体-时间评分等机制优化推理，在多个时序问答数据集上的复杂多步查询任务中取得优于强基线的效果。
2026-08-21 cs.AI cs.CL
Let the Agent Search: Autonomous Exploration Beats Rigid Workflows in Temporal Question Answering
National University of Defense Technology（国防科技大学）；Tsinghua University（清华大学）
本文提出AT2QA代理，通过自主探索和动态自我纠正提升时间知识图谱问题回答性能，实验表明其在三个基准测试中超越现有最佳基线。
2026-03-25 cs.CL
Enhancing Temporal Sensitivity and Reasoning for Time-Sensitive Question Answering
University of Technology Sydney（悉尼科技大学）；University of Liverpool（利物浦大学）
本文提出结合时间信息感知嵌入与粒度对比强化学习的新框架，以增强大模型的时间敏感性与推理能力，并在四个TSQA数据集上显著超越现有模型。
2024-09-29 cs.AI cs.CL
Question Calibration and Multi-Hop Modeling for Temporal Question Answering
Beihang University（北京航空航天大学）；Fudan University（复旦大学）；Zhejiang University（浙江大学）
本文针对时序知识图谱问答中实体时序表示不足和多跳关系建模困难的问题，提出QC-MHM方法，通过问题校准与GNN多跳建模提升复杂时序问答性能，并在CronQuestions上取得显著提升。
2024-02-20 cs.CL
LP-LM: No Hallucinations in Question Answering with Logic Programming
Cornell University（康奈尔大学）；Stony Brook University（石溪大学）
针对大型语言模型（LLMs）问答幻觉问题，提出LP-LM系统，通过Prolog语义解析锚定知识库事实生成可靠答案，实验表明其无幻觉且运行高效。
2025-02-13 cs.AI cs.CL
Evaluating Answer Reranking Strategies in Time-sensitive Question Answering
University of Innsbruck（因斯布鲁克大学）
本文研究了时间敏感问答中答案时间特征的影响，通过探索多种简单的答案选择技术，发现时间特征在从历时性文档集合中选择最相关答案中起关键作用，并揭示了显式与隐式时间问题间的差异。
2025-03-06 cs.CL cs.IR
Temporal Reasoning via Audio Question Answering
Facebook Reality Labs（Facebook现实实验室）；Facebook AI Research（Facebook人工智能研究院）
多模态问答任务可以作为代理任务来研究能够感知和推理世界的系统。关于不同类型的输入方式的问题强调了推理的不同方面，如视觉推理，阅读理解，故事理解或导航。本文以音频问答（AQA）为例，研究了机器学习模型的时态推理能力。为此，我们介绍了诊断音频问答（DAQA）数据集，包括自然声音事件的音频序列和编程生成的问题和答案，探测时间推理的各个方面。我们适应最近的几个国家的最先进的视觉问答的AQA任务的方法，并使用DAQA证明，他们表现不佳的问题，需要深入的时间推理。最后，我们提出了一个新的模型，多个辅助控制器的线性调制（MALiMo），扩展了最近的智能线性调制（FILM）模型，并显着提高其时间推理能力。我们设想DAQA促进AQA和时间推理的研究和MALiMo的AQA模型的一步。
2019-11-21 cs.CL cs.LG cs.SD
Joint Multi-Facts Reasoning Network For Complex Temporal Question Answering Over Knowledge Graph
Huazhong University of Science and Technology（华中科技大学）；Beijing Institute of Technology（北京理工大学）
本文提出联合多事实推理网络（JMFRN），通过检索多时序事实并利用实体感知与时间感知注意力模块进行联合推理，有效解决了知识图谱上的复杂时序问答问题。
2024-01-04 cs.AI cs.CL
Learning Fine-Grained Visual Understanding for Video Question Answering via Decoupling Spatial-Temporal Modeling
National Taiwan University（台湾大学）；Mobile Drive Technology（Mobile Drive科技公司）
虽然最近的大规模视频语言预训练在视频问答中取得了很大进展，但视频语言模型的空间建模的设计不如图像语言模型的设计细粒度;现有的时间建模实践也遭受模态之间的弱对齐和噪声对齐。为了学习细粒度的视觉理解，我们解耦时空建模，并提出了一个混合管道，解耦时空编码器，集成了图像和视频语言编码器。前者编码的空间语义从较大的，但稀疏采样帧独立于时间，而后者模型的时间动态在较低的空间，但较高的时间分辨率。为了帮助视频-语言模型学习视频QA的时间关系，我们提出了一种新的预训练目标，时间参考建模，它要求模型识别视频序列中事件的时间位置。大量的实验表明，我们的模型优于以前在数量级更大的数据集上预训练的工作。
2022-10-08 cs.CL cs.CV
Question Answering under Temporal Conflict: Evaluating and Organizing Evolving Knowledge with LLMs
University of Tübingen（图宾根大学）
针对大语言模型难以处理随时间演化且相互冲突知识的问题，本文构建 Temporal Wiki 与 Unified Clark 基准，并提出增量式外部记忆组织框架，在复杂时间问答上优于 ICL 和 RAG。
2025-06-08 cs.CL
Faithful Temporal Question Answering over Heterogeneous Sources
Southwest Jiaotong University（西南交通大学）；Max Planck Institute for Informatics（马克斯·普朗克信息学研究所）
本文提出一个面向异构来源的时间问答系统，通过强制执行时间约束、正确处理隐式时间问题并统一利用知识库、文本和网络表格，实现了更忠实的回答，并引入多样化问题生成方法，实验性能优于多种基线。
2024-02-23 cs.CL cs.IR
Asking For An Old Friend: Diagnosing and Mitigating Temporal Failure Modes in LLM-based Statutory Question Answering
Technical University of Munich（慕尼黑技术大学）
本研究通过构建包含312个专家验证的德国法定问答对基准，诊断并缓解了大型语言模型在法定问答中的两种时间故障模式（截止后过时和近因偏差），发现检索增强生成通过事实日期提取和版本过滤显著提升性能，而网络搜索存在不稳定性与近因偏差。
2026-09-28 cs.CL
TVQA+: Spatio-Temporal Grounding for Video Question Answering
University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
我们提出了时空视频问答的任务，这需要智能系统同时检索相关的时刻，并检测参考的视觉概念（人和物体），以回答有关视频的自然语言问题。我们首先使用310.8K边界框来增强TVQA数据集，将所描绘的对象与问题和答案中的视觉概念联系起来。我们将这个增强版本命名为TVQA+。然后，我们提出了基于证据的时空应答器（STAGE），这是一个统一的框架，可以在空间和时间域中提供证据来回答有关视频的问题。综合实验和分析表明，我们的框架的有效性，以及如何丰富的注释在我们的TVQA+数据集可以有助于问答任务。此外，通过执行这个联合任务，我们的模型能够产生有见地和可解释的时空注意力可视化。数据集和代码可在以下网址公开获取：http：//tvqa.cs.unc.edu，https://github.com/jayleicn/TVQAplus
2020-05-11 cs.AI cs.CL cs.CV
Temporal Information Extraction for Question Answering Using Syntactic Dependencies in an LSTM-based Architecture
University of Massachusetts Lowell（马萨诸塞大学洛厄尔分校）
在本文中，我们提出了一套简单的，统一的架构LSTM为基础的模型，以恢复不同种类的时间关系，从文本。使用实体之间的最短依赖路径作为输入，使用相同的架构来提取句子内，跨句子和文档创建时间关系。一种“双重检查”技术在分类中颠倒实体对，提高了对阳性案例的回忆，减少了相反类之间的错误分类。一个有效的修剪算法解决全局冲突。在QA-TempEval（SemEval 2015任务5）上进行评估，我们提出的技术大大优于最先进的方法。
2017-10-05 cs.CL cs.IR
Temporal-Aware Heterogeneous Graph Reasoning with Multi-View Fusion for Temporal Question Answering
1 School of Internet of Things, Nanjing University of Posts；Telecommunications 2 Faculty of Medicine \& Health, University of New South Wales, Sydney, Australia 3 Dept. of Biomedical Engineering \& Biotechnology, Khalifa University, Abu Dhabi 4 Beijing Information Science；Technology University 5 Shortest Path Technology Co., Ltd.
本文提出一种时序感知异构图推理框架，通过多视角融合提升时序问答的准确性和效率。
2026-02-23 cs.AI cs.CL
A Question Answering Dataset for Temporal-Sensitive Retrieval-Augmented Generation
Laboratory for Big Data and Decision, National University of Defense Technology, Changsha, China（大数据与决策实验室，国防科技大学，长沙，中国）；Baidu Inc., Beijing, China（百度公司，北京，中国）；Department of Computer Science and Technology, Harbin Institute of Technology (Shenzhen), Shenzhen, China（计算机科学与技术系，哈尔滨工业大学（深圳），深圳，中国）
本文提出ChronoQA，一个基于30余万篇新闻构建的中文时间推理问答基准，覆盖绝对、聚合和相对时间类型及单/多文档场景，用于系统评估和推进时间敏感型RAG系统。
2025-08-17 cs.CL cs.IR
A Benchmark for Generalizable and Interpretable Temporal Question Answering over Knowledge Bases
IBM Research（IBM研究院）
涉及复杂推理的知识库问答（KBQA）任务正在成为一个重要的研究方向。然而，大多数现有的KBQA数据集主要集中在显式事实上的通用多跳推理，在很大程度上忽略了其他推理类型，如时间，空间和分类推理。在本文中，我们提出了一个基准数据集的时间推理，TempQA-WD，鼓励研究扩展目前的方法，以针对一组更具挑战性的复杂推理任务。具体来说，我们的基准是一个时间问答数据集，具有以下优点：（a）它是基于维基数据，这是最经常策划，公开可用的知识库，（b）它包括中间sparql查询，以促进评估基于语义解析的KBQA方法，（c）它概括到多个知识库：Freebase和维基数据。TempQA-WD数据集可在https://github.com/IBM/tempqa-wd上获得。
2022-01-15 cs.AI cs.CL
Temporal Knowledge Graph Question Answering: A Survey
本文综述了时间知识图谱问答领域，从时间问题分类和方法学分类两个角度，系统回顾了语义解析和嵌入两种主要技术，并探讨了未来研究方向。
2026-01-14 cs.AI cs.CL cs.LG
STAIR: Spatial-Temporal Reasoning with Auditable Intermediate Results for Video Question Answering
Peking University（北京大学）；Beijing Institute for General Artificial Intelligence（北京通用人工智能研究院）
针对视频问答模型在长视频时序推理上性能下降的问题，提出神经模块网络STAIR，通过分层子任务分解与可审计中间输出提升性能与可解释性。
2024-01-08 cs.CL cs.CV
TwiRGCN: Temporally Weighted Graph Convolution for Question Answering over Temporal Knowledge Graphs
IISc（印度科学学院）；IIT Bombay（印度理工学院孟买分校）；Google Research（谷歌研究院）
针对时序知识图谱复杂问答任务，提出TwiRGCN模型，通过时序相关性调制图卷积消息传递并引入门控预测答案类型，在TimeQuestions数据集上显著优于现有最优方法，尤其在高难度问题上准确率提升9-10个百分点。
2023-10-06 cs.AI cs.CL
VisKoP: Visual Knowledge oriented Programming for Interactive Knowledge Base Question Answering
Tsinghua University（清华大学）；Beijing Caizhi Technology Co., Ltd.（北京才志科技有限公司）
VisKoP 是一个将人类纳入循环的交互式知识库问答系统，通过将自然语言问题转换为 KoPL 程序并映射为可编辑图形元素，配合高效执行引擎，使用户能通过图形操作和中间结果调试来修正错误查询，从而在百万实体级知识库上高效获得正确答案。
2023-07-06 cs.CL cs.HC
Detecting Temporal Ambiguity in Questions
University of Innsbruck（因斯布鲁克大学）
针对开放域问答中常见的时间模糊问题检测任务，本文构建含8162个问题的TEMPAMBIQA手动标注数据集，提出基于消歧问题搜索策略的新方法，并测试零样本、少样本非搜索基线。
2024-09-25 cs.CL
Multi-hop Question Answering under Temporal Knowledge Editing
King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）；South China University of Technology（华南理工大学）；Ant Group（蚂蚁集团）；SDAIA-KAUST AI（沙特数据与人工智能局-阿卜杜拉国王科技大学人工智能项目）；Provable Responsible AI and Data Analytics (PRADA) Lab（可信赖负责任人工智能与数据分析实验室）
针对现有知识编辑下多跳问答模型难以处理显式时间上下文的问题，本文提出TEMPLE-MQA框架，通过时间感知图、结构化检索与联合推理提升时间敏感多跳问答性能，并贡献首个时间范围多跳问答基准数据集TKEMQA。
2024-03-30 cs.AI cs.CL cs.LG
