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

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

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

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

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

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

本文研究利用大型语言模型和上下文学习技术进行时间知识图谱（TKG）预测，并证明可在不需要显式重点捕获结构和时态信息的情况下，LLM 与针对 TKG 预测深度设计和训练的最先进的 TKG 模型表现相当，而且本文发现使用数值索引而非实体 / 关系名称可以实现接近相同的性能，且证明上下文学习可以帮助 LLMs 学习历史上不规律的模式，从而超越基于共同或最新信息的简单预测。

May, 2023

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

我们填补了时态图谱推理和超关系时态图谱推理之间的差距，通过开发两个新的基准数据集以及提出一个高效模型，同时建模时间事实和限定词，并探索从 Wikidata knowledge base 中获取的额外的不随时间变化的关系知识对于高效推理的有效性。

Jul, 2023