RTQA : Recursive Thinking for Complex Temporal Knowledge Graph Question Answering with Large Language Models

📄 arXiv: 2509.03995v1 📥 PDF

作者: Zhaoyan Gong, Juan Li, Zhiqiang Liu, Lei Liang, Huajun Chen, Wen Zhang

分类: cs.CL, cs.AI

发布日期: 2025-09-04

备注: EMNLP 2025

🔗 代码/项目: GITHUB

💡 一句话要点

提出RTQA框架，利用大语言模型和递归思维解决复杂时序知识图谱问答难题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 时序知识图谱问答 递归思维 大语言模型 知识图谱推理 问题分解

📋 核心要点

  1. 现有TKGQA方法难以处理复杂时序查询，推理能力有限，且在分解框架中存在误差传播问题。
  2. RTQA框架采用递归思维，将复杂问题分解为子问题，利用大语言模型和知识图谱进行自下而上的求解。
  3. 实验表明，RTQA在MultiTQ和TimelineKGQA基准测试中，显著提升了复杂查询的准确率，优于现有方法。

📝 摘要（中文）

现有的时序知识图谱问答(TKGQA)方法主要关注隐式时间约束，缺乏处理更复杂时间查询的能力，并且在分解框架中面临有限的推理能力和误差传播问题。我们提出了RTQA，一种新颖的框架，通过增强对TKG的推理来解决这些挑战，而无需训练。RTQA遵循递归思维，将问题递归地分解为子问题，使用LLM和TKG知识自下而上地解决它们，并采用多路径答案聚合来提高容错能力。RTQA由三个核心组件组成：时间问题分解器、递归求解器和答案聚合器。在MultiTQ和TimelineKGQA基准上的实验表明，在“Multiple”和“Complex”类别中，Hits@1指标得到了显著提高，优于最先进的方法。我们的代码和数据可在https://github.com/zjukg/RTQA上找到。

🔬 方法详解

问题定义：论文旨在解决复杂时序知识图谱问答（TKGQA）问题。现有方法主要依赖于隐式的时间约束，无法有效处理包含多个时间约束或需要复杂时间推理的查询。此外，现有方法通常采用问题分解策略，但容易出现误差累积，导致最终答案不准确。

核心思路：RTQA的核心思路是利用大语言模型（LLM）的强大推理能力，结合递归思维，将复杂问题分解为更小的、易于处理的子问题。通过自下而上地解决这些子问题，并利用多路径答案聚合来提高容错性，从而提升整体的问答准确率。这种方法避免了对模型进行专门的训练，而是充分利用了LLM的预训练知识。

技术框架：RTQA框架包含三个主要模块：1) 时间问题分解器（Temporal Question Decomposer）：负责将复杂的时间问题递归地分解为更简单的子问题。2) 递归求解器（Recursive Solver）：利用LLM和时序知识图谱，自下而上地解决分解后的子问题。LLM负责生成查询语句，并从知识图谱中检索相关信息。3) 答案聚合器（Answer Aggregator）：对多个路径的答案进行聚合，以提高容错性，并选择最合适的答案。

关键创新：RTQA的关键创新在于其递归分解和求解的策略，以及利用LLM进行知识图谱推理的能力。与传统方法相比，RTQA无需针对特定任务进行训练，而是利用LLM的通用知识和推理能力来解决复杂问题。此外，多路径答案聚合机制有效地降低了误差传播的影响。

关键设计：时间问题分解器使用预定义的规则和LLM来递归地分解问题。递归求解器使用LLM生成SPARQL查询，并从TKG中检索答案。答案聚合器使用基于置信度的加权平均方法来聚合来自不同路径的答案。具体参数设置和损失函数信息未知。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

RTQA在MultiTQ和TimelineKGQA基准测试中取得了显著的性能提升。在“Multiple”和“Complex”类别中，Hits@1指标显著优于现有方法，表明RTQA在处理复杂时序查询方面具有优势。具体提升幅度未知，但摘要中明确指出是显著提高。

🎯 应用场景

RTQA框架可应用于智能助手、知识图谱检索、历史事件分析等领域。通过理解和推理复杂的时间关系，RTQA能够提供更准确、更全面的答案，帮助用户更好地理解和利用时序知识。未来，该方法有望扩展到其他类型的知识图谱问答任务，并与其他推理技术相结合，进一步提升问答系统的性能。

📄 摘要（原文）

Current temporal knowledge graph question answering (TKGQA) methods primarily focus on implicit temporal constraints, lacking the capability of handling more complex temporal queries, and struggle with limited reasoning abilities and error propagation in decomposition frameworks. We propose RTQA, a novel framework to address these challenges by enhancing reasoning over TKGs without requiring training. Following recursive thinking, RTQA recursively decomposes questions into sub-problems, solves them bottom-up using LLMs and TKG knowledge, and employs multi-path answer aggregation to improve fault tolerance. RTQA consists of three core components: the Temporal Question Decomposer, the Recursive Solver, and the Answer Aggregator. Experiments on MultiTQ and TimelineKGQA benchmarks demonstrate significant Hits@1 improvements in "Multiple" and "Complex" categories, outperforming state-of-the-art methods. Our code and data are available at https://github.com/zjukg/RTQA.