본 논문은 시간적 지식 그래프(Temporal Knowledge Graphs, TKGs)를 확장한 N-튜플 TKGs(N-TKGs)에서의 추론 문제를 다룬다. N-TKGs는 사실을 더욱 세밀하게 표현하기 위해 기존의 (주어, 술어, 목적어, 시간) 쿼드러플에 보조 요소를 추가한다. 기존 방법들의 블랙박스적인 한계를 극복하기 위해, 본 논문은 강화 학습 기반의 새로운 방법인 MT-Path를 제시한다. MT-Path는 시간 정보를 활용하여 과거 n-튜플을 탐색하고 시간적 추론 경로를 구성한다. n-튜플 내의 다양한 정보(술어의 엔티티와 무관한 정보, 핵심 요소 정보, 전체 n-튜플 정보)를 통합하기 위해, 술어 중심, 핵심 요소 중심, 전체 사실 중심의 세 가지 하위 정책을 기반으로 하는 혼합 정책 기반 행동 선택기를 사용한다. 또한, 보조 요소를 고려하는 GCN을 활용하여 사실 간의 풍부한 의미적 의존성을 포착하여 에이전트가 각 n-튜플을 깊이 이해하도록 한다. 실험 결과는 MT-Path의 효과성과 설명 가능성을 보여준다.
