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

本文作者：宫照堰（浙江大学）、李娟（浙江大学）、刘治强（浙江大学）、梁磊（蚂蚁集团）、陈华钧（浙江大学）、张文（浙江大学）

发表会议：EMNLP 2025

论文链接：https://arxiv.org/abs/2509.03995

代码链接：https://github.com/zjukg/RTQA

欢迎转载，转载请注明出处****

一、研究背景

在现实世界中，人物、事件与关系都在不断随时间推移而变化。如何让机器理解“时间”这一动态维度，是人工智能领域一个长期而重要的挑战。 时间知识图谱（Temporal Knowledge Graph, TKG） 通过在实体关系中引入时间戳，能够更真实地反映事件演化过程。基于此的 时间知识图谱问答（Temporal Knowledge Graph Question Answering, TKGQA） 任务，要求模型在时间维度上进行推理，例如： “Before Kuwait, which country received the Government Delegation of North Korea's visit last?” “在访问科威特之前，朝鲜政府代表团最后访问的是哪个国家？” 这样的问题不仅涉及实体间的逻辑关系，还包含复杂的时间约束与顺序逻辑。 现有 TKGQA 方法虽然在处理简单时间问题（如“在某年谁担任总统”）时表现良好，但在面对多种时间约束的组合问题、多跳时序问题、多种时间粒度时，往往容易出现以下两类问题：

1. 推理能力有限 —— 模型难以同时处理多个时间约束，容易出现“幻觉式”回答；
2. 误差累积严重 —— 在多轮分解式推理中，子问题的错误会逐层放大，导致最终答案偏离事实。

二、研究创新

为解决上述挑战，提出了一个全新的、无需训练的推理框架 —— RTQA（Recursive Thinking Temporal Knowledge Graph Question Answering）。 RTQA 以“递归思维（Recursive Thinking）”为核心理念，模仿人类解决复杂问题的方式：将复杂问题分解为若干子问题，自底向上逐步求解。整个框架由三个核心组件构成：

• Temporal Question Decomposer（时间问题分解器）

将复杂时序问题分解为若干个子问题。例如：

原问题：“Before Kuwait, which country received the visit last?” 分解后： ① When did Kuwait receive the visit? ② Before #1, which country received the visit? ③ Which was the last among them? * Recursive Solver（递归求解器）

结合 大语言模型（LLM） 的推理能力与时间知识图谱中的事实信息，递归地求解每个子问题。 * Answer Aggregator（答案聚合器）

为避免误差传播，RTQA 设计了多路径答案融合机制，综合来自原问题与子问题的多条推理路径，选取最可靠的最终答案，从而提升整体鲁棒性。

这一设计使得 RTQA 能够在不依赖额外训练的情况下实现“复杂多约束时间逻辑推理”，让大语言模型具备“时间感知”的递归思考能力。 三、实验结果

RTQA在两个权威时间知识图谱问答基准数据集上对 RTQA 进行了全面评测：

• MultiTQ：涵盖多种时间粒度（年、月、日）的 50 万条问答样本；
• TimelineKGQA：针对事件序列与时间顺序设计的复杂时序问答数据集。

• 在主流指标 Hits@1 与 Hits@10 上，RTQA 均取得了显著领先：
• 在 MultiTQ 上，RTQA 的 Hits@1 达到 0.765；
• 同时在多粒度时间推理任务（年/月/日）上均保持领先表现。

• RTQA是一个无需训练的框架，能在不同语言模型间无缝切换，保持稳定性能，体现出优异的可迁移性与可扩展性。

**

**

四、结论与展望

RTQA 的提出，不仅提升了大语言模型在复杂时序问题上的推理能力，更为知识增强大语言模型提供了新思路。 它证明了通过“递归式分解与聚合”的思想，可以在无需额外训练的前提下，显著增强大模型的时间推理能力。