TCAR-Gen：基于知识生成的证据融合的时间图检索

在回答有关历史刑事案件叙述的复杂问题时，检索增强生成系统会遇到时间推理和证据融合的问题。现有方法要么独立于查询语义进行检索，要么无法连贯地集成多个证据源。我们提出了时间上下文增强检索生成（TCAR-Gen），这是一个框架，结合了查询条件图神经网络、时间证据融合和树链推理，以在检索到的证据中生成答案。在维多利亚犯罪日记基准上，TCAR-Gen 实现了 0.3738 Recall@5，在包括多跳推理和反事实问题在内的七种查询类型上优于 Vanilla RAG、Temporal RAG、GraphRAG-C 和 GraphRAG-T。消融研究表明，上下文图、时间惩罚机制和查询条件是关键组成部分。跨五种语言模型（GPT-OSS 20B 到 TinyLlama 1.1B）的跨模型评估表明，TCAR-Gen 在较小的模型规模下保持了强大的检索覆盖率，尽管生成质量随着模型容量的减少而大幅下降。我们的工作表明，显式时间建模和多分支证据融合对于基于知识的语料库进行忠实的推理密集型问答至关重要。