本文提出了一种基于强化学习的方法来进行时态知识图推理，该方法解决了建模未来时间信息以及处理先前未见实体的归纳推理的问题，通过在历史知识图上搜索答案，设计了相对时间编码函数以及基于 Dirichlet 分布的时间 - shaped 奖励机制，并提出了一种新颖的表示方法来提高模型的归纳推理能力，在四个基准数据集上获得了较大的性能改进。

Sep, 2021

本文提出了一种针对时间知识图谱 (TKG) 推理的避让机制，通过开发一种称为历史置信度估计器 (CEHis) 的置信度估计器，使现有的 TKG 推理模型能够先估计其在进行预测时的置信度，然后避免那些置信度较低的预测。实验证明所提出的 CEHis 对于代表性的 TKG 推理模型在两个基准数据集上具有有效性。

Apr, 2024

基于 LLM 的时态知识图预测模型存在三个缺点，为解决这些问题，我们提出了一种称为 CoH 的历史链推理方法，以实现对高阶历史信息的有效利用，进而增强了基于图模型的 TKG 预测性能。

Feb, 2024

本文提出了一种基于递归演化网络的图卷积网络 (RE-GCN) 的模型，以有效地模拟序列的历史事实，捕捉结构依赖性和时间上邻近事实的时序模式，并根据历史的 KG 序列自回归地建模并一并捕获所有事实的时序模式，从而显著提高了六个基准数据集上的时间推理任务的性能和效率。

Apr, 2021

TiPNN 模型以历史时间图为基础，采用统一的图结构来全面捕捉和封装历史信息，并利用查询感知的时间路径模拟与查询相关的历史路径信息，从而实现对时间知识图的推理，并在归纳设置下取得显著性能提升。

Sep, 2023

本文提出了一种新的任务：在时间知识图谱上进行预测问答，同时还提出了一个大规模 TKGQA 基准数据集 ForecastTKGQuestions，用于评估 QA 模型。最终提出 ForecastTKGQA 模型来回答三种类型的问题，实验结果表明它的表现优于最新的 TKGQA 方法。

Aug, 2022

利用对比学习的方法，我们提出了基于本地与全局历史信息的对比学习模型 (LogCL)，用于时态知识图推理，该模型通过实体感知注意机制捕捉与查询相关的关键历史信息，并设计了四种历史查询对比模式，从而提高了模型的鲁棒性和预测性能。实验结果表明，LogCL 相较于现有基准模型取得了更好且更鲁棒的性能。

Dec, 2023

提出了一种基于关系注意力机制和反向表示更新策略的时间动态知识图谱链接预测框架，构建查询相关子图来预测图结构中未来的连接情况，具有更好的解释性和推荐准确率。

Dec, 2020

本研究提出了一种基于时间元学习的框架 MetaTKG，旨在解决预测时序知识图谱中具有不同演化模式的数据的挑战，并通过元学习来指导模型适应未来数据和处理历史信息不足的实体，实验结果表明，该方法能够大大提高性能。

Feb, 2023

ChapTER 是一种基于对比的历史建模框架，通过引入前缀调整方法来在不同设置下为 TEmporal Reasoning 任务提供计算能力，实现了对比估计，从而在各种复杂场景下发挥了基于文本的模型的潜力。

Mar, 2024