本文介绍了一个事件中心的时间知识图 EventKG，包含超过 690,000 个事件和超过 2.3 million 的时间关系，并描述了如何使用该知识图生成人物传记时间线。

May, 2019

本篇研究介绍了一个多语言的以事件为中心的知识图谱 EventKG，其中包括超过 690,000 个当代和历史事件以及超过 2.3 百万的时间关系，该知识图谱填补了现有知识库在事件和时间关系上的不足。

Apr, 2018

本文介绍了开放事件知识图谱（OEKG），它是一个多语言、事件中心、时间性的知识图谱，由来自多个应用领域的七个不同的数据集组成，包括问答、实体推荐和命名实体识别。这些数据集通过一个易于使用和稳定的管道集成，通过与事件中心的知识图 EventKG 链接，描述了它们的公共模式，并在三个用例中演示了 OEKG 的用法：类型特定的图像检索、基于知识图谱和新闻文章的混合问答以及语言特定的事件推荐。 OEKG 及其查询端点是公开可用的。

Feb, 2023

本文基于一种时间知识图谱，提出了一种同时兼顾事件因果关系和时序性的逻辑和常识指导嵌入模型（LCGE），可充分考虑事件间的同时性和时序性，并且在常识知识的基础上，通过规则引导建立谓词嵌入标准化策略，从而提高了事件预测的准确率，并且具有可解释性。

Nov, 2022

本研究提出了一种新的方法 EvoKG，能够联合建模事件时间和演化网络结构，采用循环事件建模和基于时间邻域聚合框架模拟 TKG 中的结构和时态动态，使用神经密度估计实现事件时间的准确建模，并通过实验证明了其效果和效率均比现有方法更好。

Feb, 2022

本文研究了含有时间变量的知识图谱，通过训练一个使用知识图谱背景信息和最近事件信息的事件预测模型，预测未来事件并预测知识图谱的变化，从而得到了知识图谱的演化模型，该方法在医疗应用、推荐引擎和传感器网络应用中表现良好。

Dec, 2015

TLogic 是一个可解释的框架，它基于通过时间随机游走提取的时间逻辑规则，用于处理时间知识图中的链接预测。与现有技术相比，在具有共同词汇表的相关数据集上，TLogic 能够更好地解释和推理，并提供更好的综合性能。

Dec, 2021

本文提出了一种新颖的深度进化知识网络，其可在动态知识图中学习非线性演变的实体表示，并通过多元点过程和基于学习实体嵌入的评分来建模事实（边）的发生。我们的方法在现实世界的两个大规模数据集上比各种关系学习方法都具有显著的性能改进；此外，我们的方法有效地预测事实的发生或再次发生时间，这是多关系推理方法中的一种新颖方法。

May, 2017

通过将自由文本与事件中心知识图关联，本研究提出了一个综合框架 EventGround，旨在解决上下文化叙事推理的问题，并通过基于图神经网络和大型语言模型的图推理模型，在取得了最新成果的同时提供可解释性证据。

Mar, 2024

本文介绍了一种基于进化式学习的方法 ——EvoLearner 来学习知识图谱知识，并对这种方法在数据属性上提供了新的支持，同时通过 SML-Bench 基准框架展示了其显著的性能优势。

Nov, 2021