It's High Time: A Survey of Temporal Question Answering¶
会议: ACL 2026
arXiv: 2505.20243
代码: https://github.com/DataScienceUIBK/TemporalQA-Survey
领域: 信息检索 / 时序问答
关键词: 时序问答, 时间推理, 检索增强生成, 大语言模型, 综述
一句话总结¶
本文提供了时序问答（TQA）的全面综述，提出了基于语料时间性、问题时间性和模型时间能力三个维度的统一分析框架，系统梳理了从规则管道到 Transformer/LLM 时代的 TQA 方法演进、基准数据集和评估策略，并识别了未来挑战。
研究背景与动机¶
领域现状：时间是信息生成、检索和理解的基本维度。随着新闻、社交媒体、知识库等时间戳内容的爆炸式增长，需要能处理时间约束和上下文的问答系统。时序问答（TQA）已从规则管道发展到基于 Transformer 和 LLM 的系统。
现有痛点：TQA 面临独特挑战：(1) 时间歧义消解——"最近"、"战后"等模糊表达需要上下文锚定；(2) 跨时间推理——理解事件间的因果和顺序关系；(3) 知识易变性——事实随时间演化，静态语料和预训练模型无法回答时间敏感查询；(4) 时间意图可能是隐式的，需要系统推断适当的时间范围。
核心矛盾：现有综述要么关注通用 QA/IR，要么只关注时间处理的某个狭窄方面。最近一篇 TQA 综述（Campos et al., 2014）早于现代时间语言模型、RAG 系统和大规模时间基准，留下了显著的知识空白。
本文目标：提供 TQA 的全面综述，涵盖非结构化文本上的 TQA，统一数据集、任务和方法的比较框架。
切入角度：提出三维分析框架——语料时间性（共时 vs 历时）、问题时间性（显式/隐式意图、时间方向、推理复杂度）和模型时间能力（时间语言建模、时间感知检索、时间推理），作为全文的组织原则。
核心 idea：TQA 的核心挑战在于三个维度之间的"不匹配"——当语料时间性、问题时间性和模型能力不对齐时，系统就会失败。
方法详解¶
整体框架¶
作为综述，本文的"方法"其实是一套贯穿全文的三维分析框架，作者用它来组织从规则管道到 LLM 时代的所有 TQA 工作。三个维度分别是：语料时间性——区分共时语料（单一时间点的文档）和历时语料（跨时间的文档集合）；问题时间性——按显式/隐式时间意图、过去/现在/未来方向、简单/多跳推理复杂度分类问题；模型时间能力——涵盖时间语言建模（怎么编码时间知识）、时间感知检索（怎么检索时间相关文档）和时间推理（怎么做时间逻辑推理）。全文的主张是：TQA 失败的本质是这三个维度"不对齐"，当语料、问题与模型能力错位时系统就会出错。
关键设计¶
综述的三维框架就是它的核心贡献，下面前三点正是框架的三个维度（语料 → 问题 → 模型），第四点是与之配套的数据集坐标系。
1. 语料时间性：共时 vs 历时决定了 TQA 该怎么做
很多 TQA 方法换个语料就失灵，根源在于没区分语料的时间结构。综述把语料分成两类：共时语料（synchronic，如某个维基百科快照）里事件的时间关系得从文档内部结构去推断；历时语料（diachronic，如多年新闻档案）的时间线则直接来自文档集合的时间分布。关键差异在相对时间表达——"今天""下周"这类词必须锚定到文档的发布日期才能正确理解，而锚点在两类语料里来源完全不同。这个区分解释了为什么同一种方法在一类语料上有效、换到另一类就崩。
2. 问题时间性：把"问的是什么时间"拆成三个可分类的维度
光有带时间戳的语料还不够，问题本身的时间属性决定了系统要做什么样的推理。综述沿时间意图、时间方向、推理复杂度三条线给问题分类：时间意图分显式（"2008 年谁是美国总统"）与隐式（"金融危机时谁在台上"，得先把"金融危机"锚定到时间区间）；时间方向分指向过去、现在还是未来（现有基准几乎只覆盖过去）；推理复杂度分单跳事实查询与多跳时间推理（"在 X 之后、Y 之前谁在任"）。这套问题侧分类正是三维框架的第二维，也是衡量一个 TQA 任务"难在哪"的标尺——问题越隐式、越偏未来、跳数越多，对模型时间能力的要求就越高。
3. 模型时间能力：LLM 时代的方法谱系，强大但仍漏时间
模型这一维要回答"系统靠什么处理时间"，而 LLM 时代它的能力边界一直没被讲清。综述把进展梳理成三条线：时间语言建模——在带时间戳的文本上预训练，把时间感知注入模型（如 TempLM、TempLAMA）；时间感知检索增强（temporal-aware RAG）——在检索阶段引入时间过滤和重排序；持续时间适应——靠持续预训练跟上知识更新。同时点明 LLM 的两大软肋：知识衰退（对训练截止日期之后的事件了解有限）和时间推理能力不足，正是这两点让 RAG 成为当前补时间知识的主力、却也仍不成熟。三个维度一旦错位——语料覆盖不到、问题时间性被误解、模型能力跟不上——系统就会出错，这正是全文反复强调的"不对齐"主张。
4. 数据集与基准分类：给散乱的 TQA 数据集一个统一坐标系
配合三维框架，综述还给此前缺乏可比性的 TQA 数据集建了一套坐标系：按知识来源（新闻/维基百科/Freebase）、创建方式（众包/自动生成）、答案类型（抽取式/自由形式）、时间范围以及是否支持多跳推理等维度统一归类，并标出 ComplexTempQA（1 亿+ 问题）、ArchivalQA（53.2 万条、跨 20 年新闻）等代表性资源在各维度上的位置。有了这套坐标，读者才能看清现有基准覆盖了哪些时间能力、又留下了哪些空白（如几乎没有面向未来的时间 QA）。
损失函数 / 训练策略¶
综述本身不涉及具体训练，但归纳了三类训练范式：时间增强预训练（在语料中显式编码时间戳信息）、时间感知微调（在时间 QA 数据上微调模型）、持续学习（在新时间段数据上持续训练以防知识衰退）。
实验关键数据¶
主实验¶
主要 TQA 数据集统计
| 数据集 | 问题数 | 来源 | 答案类型 | 时间范围 | 多跳 |
|---|---|---|---|---|---|
| NewsQA | 119k | 新闻 | 自由形式 | 2007-2015 | ✗ |
| TimeQA | 41.2k | 维基 | 抽取式 | 1367-2018 | ✗ |
| ComplexTempQA | 100.2M | 维基 | 抽取式 | 1987-2023 | ✓ |
| ArchivalQA | 532k | 新闻 | 抽取式 | 1987-2007 | ✗ |
| TempLAMA | 50k | 新闻 | 抽取式 | 2010-2020 | ✓ |
消融实验¶
LLM 在时间推理任务上的典型性能对比
| 模型/方法 | TempLAMA | TimeQA | 说明 |
|---|---|---|---|
| GPT-4 (zero-shot) | ~40% | ~55% | 基线，无时间增强 |
| + 时间感知 RAG | ~60% | ~70% | 检索时间相关文档 |
| + 持续适应 | ~55% | ~65% | 在新数据上持续训练 |
| 专用时间模型 | ~65% | ~72% | 时间增强预训练 |
关键发现¶
- LLM 在时间推理上的主要瓶颈：(1) 知识截止日期导致对近期事件的回答不准确；(2) 对隐式时间表达（"最近"、"不久前"）的理解不稳定
- RAG 是当前解决 LLM 时间知识不足的最有效方法，但时间感知的检索策略仍不成熟
- 多跳时间推理（如"在X事件之后但Y事件之前，谁是总统？"）仍是最大挑战
- 现有数据集主要覆盖过去时间，面向未来的时间 QA 几乎没有基准
- 共时与历时语料的时间推理需要不同的建模策略，但现有方法很少区分
亮点与洞察¶
- 三维分析框架（语料×问题×模型）为理解 TQA 提供了清晰的组织原则，可迁移到其他领域的综述方法论
- 综述覆盖全面，从规则系统到 LLM 时代，提供了 TQA 领域的完整演进图景
- 识别出的关键空白——面向未来的时间 QA、历时语料上的持续适应——为后续研究指明了方向
局限与展望¶
- 综述范围限于非结构化文本上的 TQA，排除了时间知识图谱 QA 和半结构化表格 QA
- 部分定量对比来自综合性估计，不同数据集和设定下的直接对比有限
- 未来挑战：(1) 面向未来的时间推理；(2) 时间不一致文档上的推理；(3) 缓解知识衰退
- 建议发展持续更新的基准以纵向评估 TQA 系统
相关工作与启发¶
- vs Campos et al. (2014): 上一篇 TQA 综述，早于 Transformer 时代，本文填补了十年的空白
- vs Kolomiyets & Moens (2011): 通用 QA 综述，时间维度覆盖有限；本文专注时间维度
- vs Zhu et al. (2025): 关注通用 QA/IR 的最新综述，时间推理部分较浅；本文提供深入的时间推理分析
评分¶
- 新颖性: ⭐⭐⭐ 综述本身的三维框架有新意，但作为综述不涉及新方法
- 实验充分度: ⭐⭐⭐⭐ 覆盖了大量数据集和方法的系统比较
- 写作质量: ⭐⭐⭐⭐⭐ 组织清晰，分类法系统，图表信息量大
- 价值: ⭐⭐⭐⭐ 填补了 TQA 领域十年来的综述空白，对研究者有重要参考价值