问题引入：为什么主流大模型也“答不准”带时间的问题？

试想这样一个问题：“在 Lasha Talakhadze 打破纪录之前的奥运举重世界纪录是多少？” 或者 “第 25 届奥运会期间布达佩斯的市长是谁？”

这类问题在 Google 搜索甚至 ChatGPT 中都极容易“翻车”。原因很简单——它们都带有 时间约束，需要模型理解“之前”、“期间”这类时序词，并在浩瀚的事实库中精确锁定特定时间点上的特定实体。

Figure 1：Google 搜索与 ChatGPT 在带时间约束的复杂问题上给出了错误答案

如上图所示，主流系统直接忽略了“previous”这一时间约束，把“Lasha Talakhadze”和“Olympic”当作普通关键词检索，导致输出错误结果。这正是 时序知识图谱问答（Temporal KGQA） 试图解决的核心难题。

研究背景：时序 KGQA 与传统 KGQA，差的不只是一个字段

很多人会以为时序 KGQA 不过是给三元组加个时间标签，但事实远没这么简单。传统知识图谱以 (主体, 关系, 客体) 描述事实，而时序知识图谱（TKG） 把它扩展成了 (主体, 关系, 客体, 时间区间)，这一改写带来了链式反应：

这些差异叠加，让时序 KGQA 成为近些年知识问答最具挑战、也最有研究价值的子方向。

为何已有方法仍不够好？两个“老毛病”

学界已经积累了 CronKGQA、TMA、TSQA 等不少时序 KGQA 模型，但这篇 AAAI 论文犀利地指出，它们都没绕过两道坎：

🔴 老毛病一：PLM 对时间“视而不见”

大多数模型让 BERT 等 PLM 直接编码问题，但 PLM 的注意力更多落在实体名词上，对“之前 / 之后 / 期间”这类时间词汇缺乏敏感性，结果就是忽视时间约束所导致的实体状态切换。

🔴 老毛病二：图结构信息基本被浪费

即便用了 KG，多数方法也只把它当作答案查询的索引，没有真正利用其中蕴含的多跳关系结构，遇到需要“多步跳转”的问题就直接掉链子，并且推理过程完全是黑箱。

方案揭秘：QC-MHM 是怎么把这两个坎跨过去的？

作者提出的 QC-MHM（Question Calibration and Multi-Hop Modeling） 框架，从嵌入、问题表示、图推理三个层面层层加固。具体由四个模块串联：

🧩 模块一：让时间戳“懂顺序”的 KG 嵌入

QC-MHM 选择 TComplEx 作为基础嵌入算法，其评分函数如下：