AI热榜 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：
🔗 原始来源
如果你要核对细节，可以再看原文： InfoQ AI原文链接