本研究提出了解耦多跨度进化网络（DiMNet），解决了时间知识图推理中子图间结构交互不足的问题。DiMNet通过捕捉局部特征和历史语义信息，显著提升了语义变化模式的捕捉能力，实验表明其推理中的平均排名率提高了22.7%。

本研究提出了一种新方法，结合时间性实体嵌入和SimplE模型，建立了时间知识图补全模型BoxTE，表现优于现有模型。文章综述了时间知识图补全的研究进展、方法分类及未来方向，强调了该领域的重要性和挑战。

TLogic 是一个可解释的框架，用于时间知识图中的链接预测。它通过时间逻辑规则提升了解释和推理能力，并提出了评估链接预测解释质量的指标。研究展示了自我可解释的 GNN 框架，能够提供准确的预测和解释。此外，基于关系注意力机制的动态知识图谱链接预测框架显示出更好的推荐准确率和解释性。

本文提出了基于大型语言模型（LLMs）和知识图谱（KGs）的创新方法，包括GenTKG框架和TempGraph-LLM模型，旨在提升时间知识图的生成性预测和推理能力。这些方法在处理时间性问题和符号推理方面表现优异，显著提高了预测性能，为未来的研究提供了重要参考。

本文提出了一种生成式时间知识图问答框架（GenTKGQA），通过子图检索和答案生成两个阶段，提升了对时间性问题的回答能力。实验结果表明，该模型在准确性上优于现有方法，尤其在复杂时间问题上表现显著。