IA-RAG：区间代数驱动的动态知识检索的时间推理

检索增强生成 (RAG) 在将 大语言模型 (LLM) 与外部知识结合方面表现出强大的有效性。然而，现有的 RAG 和图 RAG 框架在很大程度上将知识视为静态的，或者将时间与粗粒度时间戳或元数据相关联，无法捕获丰富的时间结构，例如持续时间、重叠和包含。我们提出了 IA-RAG，一种分层时间 RAG 框架，它将知识建模为时间间隔并在形式时间约束下执行检索。 IA-RAG 将事实表示为区间事件单元 (IEU)，并将它们组织成分层主题森林，其中时间依赖性由艾伦区间代数控制。为了处理不完整或不确定的时间边界，IA-RAG 进一步引入了子图时间紧缩机制，该机制通过连接的事件子图内的逻辑约束来细化模糊间隔。此外，IA-RAG 通过区间代数引导的遍历支持隐式时间语义检索。对多个时间问答基准（包括 TimeQA、TempReason 和 ComplexTR）的实验表明，IA-RAG 实现了强大的时间检索和推理性能，特别是在复杂的组合时间推理任务上。我们的代码发布于 https://github.com/xiaoAugenstern/LogicalRAG_TemporalQA。