本研究提出了一种新颖的分类框架，旨在解决时间知识图谱在问答中的数据集不足和定制问答对生成的困难，开发了通用问答生成器TimelineKGQA，显著提升了动态事实和关系的问答能力。

本研究提出了一种深度演化聚类联合时间知识图谱表示学习方法（DECRL），有效解决了现有方法无法捕捉高阶关联的时间演化问题。DECRL通过深度演化聚类和无监督对齐机制，提升了聚类的时间平滑性，并在多项指标上超越现有最佳基线，展现出显著的性能提升潜力。

本文探讨了大型语言模型（LLM）在时间知识图谱（TKG）预测中的应用，提出了Time-LLM和TGForecaster等新方法，结合文本和时间序列数据以提高预测性能。研究表明，LLM在时间序列推理和多模态数据整合方面具有潜力，ContextFormer方法显著提升了预测精度。

本文探讨了基于循环事件网络和大型语言模型的时间知识图谱（TKG）预测方法，提出了Graph Hawkes神经网络和对比事件网络等模型，以提高事件预测的准确性和效率。研究表明，结合历史对比学习和条件概率密度函数能显著改善预测性能，尤其在样本有限和事件类型不平衡的情况下。

本文介绍了一种新的时间知识图谱问答（TKGQA）方法及其数据集，包括ForecastTKGQuestions和CRONQUESTIONS。提出的ForecastTKGQA和TempoQR模型在回答时间相关问题时表现优于现有方法，提升了准确性。此外，研究探讨了基于嵌入的时间知识图问答框架，展示了其在复杂推理任务中的有效性和潜力。

本文介绍了一种基于元学习的时间知识图谱外推模型（MTKGE），该模型通过捕获关系和时间序列模式进行链接预测。实验结果表明，MTKGE在多个数据集上优于现有模型，并提出了多种创新方法，提升了时间知识图谱推理的性能和解释性。

本文介绍了多种基于图卷积网络和时间知识图谱的模型，旨在提升时序推理的性能与效率。研究涵盖递归演化网络、卷积神经网络和时间元学习框架，均在处理历史信息和预测未来演化模式方面取得显著进展。

本文综述了时间知识图谱补全方法的研究进展，涵盖背景、评估指标和现有方法，旨在解决静态知识图补全的不准确问题。讨论了内插和外推技术，并指出未来研究方向和挑战。

本文提出了一种基于遮蔽语言模型的神经网络方法，用于多语言时间表达式的归一化，显著优于传统规则系统。研究表明，该方法在低资源语言上表现出色，尤其在法语和西班牙语中超越了现有自动化方法。此外，研究还探讨了时间知识图谱的预测及时间推理能力，强调了上下文学习的重要性。