本研究提出了一种新方法，通过引入结构映射模块增强时间链接预测模型的记忆能力，解决了现有模型在新图上的应用问题。研究结果表明，该方法在时间链接预测中具有重要的应用潜力。

本研究提出了社区感知时序游走（CTWalks）框架，以解决动态图表示学习中的灵活性和适应性不足的问题。CTWalks结合无参数社区时间游走、社区标签增强和ODE编码，精准建模社区交互。实验结果表明，其在时间链接预测方面优于传统方法。

本文提出了一种新的时间链接预测方法，通过节点动态分析提高预测准确性，实验证明在合著网络中性能提升17.34%。研究探讨了动态图神经网络的时间粒度对性能的影响，并提出基于元学习的新模型以快速适应新节点，展示了在动态链接预测中的优越性。

本文介绍了全连接时空图神经网络（FC-STGNN），用于建模多元时间序列数据中的时空依赖关系，实验证明其有效性。同时，提出了结合知识图谱和大型语言模型的框架，以提升自然语言处理的表现，并探讨了时间链接预测和多语言知识图谱的应用，展示了在多个数据集上的优越性能。

本论文提出了一种新颖的方法，将时间链接预测视为历史事件链中的事件生成任务，并通过有效的微调方法将 LLMs 适应特定的图文本信息和时间线中发现的模式。实验结果表明，微调模型在多个度量标准上优于现有的基于嵌入的模型，达到了最先进水平。

本论文提出了一种新颖的方法，将时间链接预测视为历史事件链中的事件生成任务，并通过有效的微调方法将 LLMs 适应特定的图文本信息和时间线中发现的模式。实验证明，微调模型在多个度量标准上优于现有的基于嵌入的模型，达到了最先进水平。