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

我们提出了一种名为 TEMT 的新框架，利用预训练语言模型（PLMs）来增强文本的时间性知识图谱完成。TEMT 利用存储在 PLM 参数中的知识，能够产生丰富的事实语义表示，并且对以前未见过的实体进行推广。TEMT 将 KG 中的文本和时间信息分别处理，并将它们融合以得到事实的可信度得分。与以前的方法不同，TEMT 有效捕获不同时间点之间的依赖关系，并能对未见实体进行预测。实验结果表明，TEMT 与现有技术相媲美。

Sep, 2023

本文介绍了 TIMEPLEX（一种新颖的基于时间感知的知识库补全方法），用于联合实体、关系、时间的预测任务中，以及改进的 TKBC 评估协议。实验证明，TIMEPLEX 在预测任务中表现出色，并且既考虑了某些关系的可重复性，又考虑了关系对之间的时间交互作用。

May, 2020

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

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

本文提出了一种基于盒式嵌入模型 BoxE 并扩展到时间知识图谱的盒式嵌入模型 BoxTE，BoxTE 在时间设置下表现出完全的表达能力和强大的归纳能力，并在多个 TKGC 基准测试中取得了最先进的结果。

Sep, 2021

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

提出一种叫做时间知识共享（TKS）的方法，它能够选择特定时刻的输出来构成教师信号以辅助神经网络的训练，从而显著提高了在静态和神经形态数据集上的分类表现，加强了网络的时间推广能力，使得其可以轻松地在边缘设备上部署。

Apr, 2023

传统的基于嵌入的模型通过排序问题来解决事件时间预测问题，然而往往不能很好地捕捉时间顺序和距离等关键的时间关系。本文提出 TEILP，一个自然地将这些时间要素融入到知识图谱预测中的逻辑推理框架。通过将时间知识图谱转换为具有更明确时间表示的时间事件知识图谱（TEKG），我们利用可微分随机游走方法进行时间预测。通过引入条件概率密度函数和与查询区间相关的逻辑规则，我们得出时间预测结果。与基准方法相比，我们在五个基准数据集上比较了 TEILP 的性能，结果表明我们的模型在提供可解释的解释的同时，显著改进了基线模型。特别是在训练样本有限、事件类型不平衡以及仅基于过去事件预测未来事件时间的几种情况下，TEILP 在健壮性方面优于基准模型。

Dec, 2023