提出了一种基于历史对比学习的事件预测模型 Contrastive Event Network (CENET)，利用历史和非历史信息来区分最具潜力的匹配实体，并使用二元分类器生成布尔掩码以指示相关实体的搜索空间，采用基于掩码的策略生成最终结果，实验结果表明 CENET 在事件预测方面明显优于现有方法。

Nov, 2022

该论文提出了一种基于时间感知复制生成机制的新型表示学习模型 CyGNet。CyGNet 不仅能够从整个实体词汇表中预测未来事实，而且能够识别重复的事实，根据过去已知的事实来预测未来的事实。对五个基准数据集进行的广泛实验表明了 CyGNet 在预测未来事实以及完成知识图谱补全任务方面的有效性。

Dec, 2020

我们提出了历史信息传递（HIP）网络来预测未来事件。HIP 网络从时间、结构和重复的角度传递信息，用于建模事件的时间演化，相同时间步的事件交互以及已知事件。实验结果表明 HIP 网络的优越性，并且在 Hits@1 方面的显著改进证明了我们的方法可以更准确地预测即将发生的事情。

Feb, 2024

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

本篇论文提出了一种使用循环事件网络的方法，针对具有时间戳的知识图谱中的推理问题，通过对已知事实的模型化预测未来事件，通过对未来时间戳上的链接预测实现多步推理。

Apr, 2019

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

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

本文介绍了一种基于元学习的时间知识图谱外推模型（MTKGE），该模型在已知时间知识图谱中进行链接预测任务的元训练，并在具有未知实体和关系的新兴时间知识图谱中进行测试。通过捕获关系的相对位置模式和时间序列模式的 GNN 框架，学习模式的嵌入可以转移到未知组件。实验结果表明 MTKGE 模型在两个不同的时间知识图谱外推数据集上均优于现有的知识图谱外推和特定自适应 KGE 和 TKGE 基线的最新模型。

Feb, 2023

提出了基于注意力掩蔽的对比事件网络（AMCEN），通过局部 - 全局时间模式对未来事件进行两步预测，以更准确地推理时态知识图谱中的事件，从而解决数据集中新事件和重复事件之间不平衡影响推理准确性的问题。在 AMCEN 网络中，设计了历史和非历史注意力掩蔽向量，以控制对历史和非历史实体的注意偏向，从而减轻不平衡。提出了局部 - 全局消息传递模块，全面考虑和捕捉多跳结构依赖和局部 - 全局时间演变，深入探索不同事件类型的潜在影响因素。使用对比事件分类器将局部 - 全局时间模式纳入对比学习，更准确地分类事件。因此，AMCEN 通过对比事件分类的结果细化预测范围，并利用基于注意力掩蔽的解码器最终确定特定结果。在四个基准数据集上的实验结果突出了 AMCEN 的优越性，特别是在 Hits@1 方面的显著改进，证明 AMCEN 可以更精确地预测未来事件的发生。

May, 2024

提出了一个通用的连续训练框架，适用于任何时间知识图谱完成方法，其中利用了时间正则化和基于聚类的经验回放的两个关键想法，以适应新事件并减少灾难性遗忘。

May, 2023