本论文使用几何代数和张量分解提出了一种新的知识图谱表示学习方法 GeomE 和 TGeomE，用于解决深度学习中的时序数据问题。结果表明，该方法在四个常用的静态 KG 数据集和四个知名的时间 KG 数据集上实现了最先进的性能。

Feb, 2022

本文研究子问题 - 在时间性知识图之间进行实体对齐，提出了一种基于图神经网络的时态感知实体对齐方法。实验证明，该方法在多个实际应用场景中明显优于现有技术。

Mar, 2022

提出了一种将时间信息嵌入到实体 / 关系表示中的 ATiSE 方法，通过加性时间序列分解将时间信息与 KG 嵌入模型相结合，在四个时间 KG 上的实验结果表明其具有优秀的链接预测性能。

Nov, 2019

本文提出了基于复向量空间的实体嵌入旋转方法 TeRo 用于处理包含时间信息的知识图谱（TKG），结合对起止时间进行双重嵌入，解决了现有 KG 嵌入模型的局限性，通过在不同 TKG 数据集上进行实验，TeRo 在链接预测方面表现出优异性能，同时分析了时间粒度对于链接预测的作用。

Oct, 2020

本研究提出采用一种新的方法，通过为静态模型提供时间性实体嵌入功能，建立了广泛适用的时间性知识图完成模型，证明结合 SimplE 模型，该模型能优于现有模型。

Jul, 2019

本研究提出了一种为动态网络生成图层嵌入的新方法，包括构建多层图和使用改进的随机游走生成节点的时间上下文，再利用一个深度学习模型生成图层嵌入，并在公开数据集上进行了评估和比较。

Jun, 2023

本研究提出递归时态事实嵌入（RTFE）框架，将静态知识图嵌入（SKGE）模型移植到时间性知识图（TKG），并增强现有 TKG 嵌入模型的性能，通过将时间序列视为马尔可夫链来考虑 TKG 连续性，RTFE 利用 SKGE 初始化 TKG 嵌入，通过更新参数 / 特征来递归跟踪状态转移，实验结果展示了 RTFE 的有效性。

Sep, 2020

时态知识图谱以丰富的静态和动态时间模式为基础，并采用嵌入方法将时间事实映射到几个具有不同几何属性的异构几何子空间，并利用时间 - 几何注意机制方便地整合来自不同几何子空间的信息。

Dec, 2023

本文研究了关于时间知识图谱的推理问题，并提出了一种新的模型 Chronological Rotation embedding 用于学习实体、关系和时间的表示，通过高维度的旋转变换捕捉 Temporail Knowledge Graph 的富有交互性和多关系特征，实验结果表明 ChronoR 能够在时间知识图谱链接预测的基准数据集中胜过大多数最先进的方法。

Mar, 2021

提出了一种上下文感知的动态知识图谱嵌入方法 (DKGE)，该方法利用两个有注意力机制的图卷积网络、一种门控策略和翻译操作，通过双重表示 (知识嵌入和上下文元素嵌入) 联合模型化实体和关系及其环境，以快速获取更新的知识图谱嵌入，同时支持从头开始的知识图谱嵌入。实验证明 DKGE 在动态环境下具有良好的有效性和效率。

Oct, 2019