本研究首次总结了时间知识图补全方法的研究进展，包括背景、基准数据集、评估指标以及现有方法，旨在解决静态知识图补全方法的不准确问题。未来的研究方向也在文章中提出。

Jan, 2022

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

时间知识图谱的时序特性在学术界和工业界中具有重要意义，然而，由于新知识的不断涌现、从非结构化数据中提取结构化信息的算法的薄弱性以及源数据集中信息的缺乏，时间知识图谱往往存在不完整性。因此，基于已有信息预测缺失项的任务 —— 时间知识图谱补全引起了越来越多的关注。本文综述了时间知识图谱补全方法及其细节，并包含三个主要组成部分：1）背景，涵盖了时间知识图谱补全方法的基础知识，训练所需的损失函数，以及数据集和评估协议；2）内插，通过相关可用信息估计和预测缺失元素或元素集合，进一步根据处理时间信息的方式对相关时间知识图谱补全方法进行分类；3）外推，主要关注连续时间知识图谱，并预测未来事件，然后根据所使用的算法对所有外推方法进行分类。我们进一步指出了挑战并讨论了时间知识图谱补全的未来研究方向。

Aug, 2023

通过多项式分解的时间表示和基于盒子嵌入的实体表示，我们提出了一种创新的 TKGE 方法（PTBox），以解决传统知识图谱中的时态知识表示困难和富含时间约束的推理模式缺失的问题。

May, 2024

本文提出了一种基于预训练语言模型的 TKGC 模型 (PPT)，通过将时间戳之间的间隔转换为不同的提示来提取暗示的语义信息以形成连贯的句子，并使用蒙版策略将 TKGC 任务转换为蒙版标记预测任务，有效地将时间知识图中的信息整合到语言模型中，具有较高的竞争力。

May, 2023

介绍了一种基于张量分解的时间知识图谱补全方法 (Time-LowFER)，并提出了一种模型无关的、更广义的时间特征表示方法，实验表明该方法的表现与当前先进的语义匹配模型相当或更好。

Apr, 2022

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

文章介绍了一个新框架 Time-aware Incremental Embedding (TIE)，可用于支持频繁更新的时间知识图谱（TKG）的完整性补充任务（TKGC），提高了系统的效率，降低了训练时间。

Apr, 2021

Re-Temp 是一种新的模型，旨在通过引入显式的时间嵌入和在每个时间戳之后引入跳过信息流来从未来的事实中预测缺失实体，并通过两阶段的前向传播方法防止信息泄漏，通过对六个 TKGC (外推) 数据集的评估，我们证明了我们的模型在性能上优于八个最新的先进模型。

Oct, 2023

该研究利用四元数表示法，通过时间感知旋转和周期性时间平移在超复数空间中建模了时间敏感关系，从而在填补给定时间下时间知识图中的缺失事实方面取得了最先进的性能。

Mar, 2024