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

提出了一种将时间信息嵌入到实体 / 关系表示中的 ATiSE 方法，通过加性时间序列分解将时间信息与 KG 嵌入模型相结合，在四个时间 KG 上的实验结果表明其具有优秀的链接预测性能。

Nov, 2019

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

本论文使用几何代数和张量分解提出了一种新的知识图谱表示学习方法 GeomE 和 TGeomE，用于解决深度学习中的时序数据问题。结果表明，该方法在四个常用的静态 KG 数据集和四个知名的时间 KG 数据集上实现了最先进的性能。

Feb, 2022

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

本文提出了基于复向量空间的实体嵌入旋转方法 TeRo 用于处理包含时间信息的知识图谱（TKG），结合对起止时间进行双重嵌入，解决了现有 KG 嵌入模型的局限性，通过在不同 TKG 数据集上进行实验，TeRo 在链接预测方面表现出优异性能，同时分析了时间粒度对于链接预测的作用。

Oct, 2020

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

时态知识图谱以丰富的静态和动态时间模式为基础，并采用嵌入方法将时间事实映射到几个具有不同几何属性的异构几何子空间，并利用时间 - 几何注意机制方便地整合来自不同几何子空间的信息。

Dec, 2023

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

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