TCC-RAG：面向时序知识图谱问答的时序因果链引导RAG

TCC-RAG用时序因果链引导检索，作者报告多步时序推理提升62.97%。

资讯摘要

论文针对时序知识图谱问答中语义RAG难以捕捉多跳因果知识、易引入冗余知识的问题，提出TCC-RAG。该方法将时序知识图谱重构为多视图因果线索图，据此构建查询特定的时序因果链引导检索，并用因果证据过滤器筛选知识。作者报告在两个TKGQA基准上分别提升10.72%和8.40%，多步时序推理提升62.97%。

要点速读

1. 论文指出语义RAG在复杂时序推理中难以捕捉多跳因果知识，且会引入冗余知识导致错误推理链。
2. TCC-RAG将时序知识图谱重构为多视图因果线索图，并构建查询特定的时序因果链引导检索。
3. 作者报告在两个TKGQA基准上分别取得10.72%和8.40%的提升，多步时序推理提升62.97%。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/31 08:00:18（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。