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

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

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

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

我们提出了一个新颖的检索增强生成框架 GenTKG，结合了时间逻辑规则检索策略和轻量级参数效率指导，用于在时间知识图上进行生成性预测，证实了大语言模型在时间知识图领域具有巨大潜力，并开辟了时间知识图生成性预测的新领域。

Oct, 2023

通过提出一种基于大语言模型的动态适应方法，本文研究了时间知识图谱推理中的若干挑战，包括解释性问题和适应性问题，并通过实验验证了这种方法在提高时间知识图谱推理准确性方面的有效性。

May, 2024

提出一种新颖的生成式时间知识图问答框架（GenTKGQA），通过两个阶段引导 LLMs 回答时间性问题：子图检索和答案生成。在第一个阶段，利用 LLM 的内在知识来挖掘问题中的时间约束和结构链接，从而缩小子图搜索空间。在第二个阶段，设计虚拟知识指示器将子图的图神经网络信号与 LLM 的文本表示非浅层次地融合，帮助开源 LLM 深入理解检索到的事实中的时间顺序和结构依赖关系。实验结果表明，该模型优于最先进的基准方法，甚至对于简单问题类型的指标达到 100％。

Feb, 2024

CluSTeR 使用增强学习与图卷积网络以两个阶段的方式实现预测未来事件的功能，并在四个数据集上成功验证了其高效性和可解释性。

Jun, 2021

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