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。

本文综述大语言模型在时间知识图预测中的应用。GenTKG结合时间逻辑规则检索与轻量微调，将时间链接预测视为事件生成任务，通过历史数据增强和逆向知识提升推理能力。TempGraph-LLM将上下文转为时间图，引导符号推理。研究表明，上下文学习可使LLM媲美最先进TKG模型，数值索引效果相近。CluSTeR、TiPNN、LogCL及强化学习、零样本关系建模等方法也取得显著进展。