本研究提出了一种深度演化聚类与时间知识图谱表示学习的方法（DECRL），有效捕捉实体间的时间演化，提升聚类的时间平滑性，实验结果表明其性能优于现有最佳基线。

本文介绍了一种改进的扩展动态模式分解与字典学习方法，用于预测复杂动力学特征系统的时间演化。该方法在不同系统中的性能表现显著优于传统方法，并且与状态空间方法的预测结果相当。