针对现有时序知识图谱推理方法对外部知识利用不足的问题，相关研究分别提出空间上下文增强模型SET-KGR和事件语义增强模型ES-TKGR。其中，SET-KGR引入外部地理知识与空间距离衰减约束，增强空间上下文表征及空间依赖建模能力。ES-TKGR融合层次化事件类型语义与静态事件背景语义，增强实体和关系的语义表征及隐式事实依赖建模能力。两项研究为提升时序知识图谱推理性能提供了新的研究思路。
亮点一：空间上下文增强的时序知识图谱推理
1 研究背景
知识图谱（KG）通过实体及其关系对现实世界中的知识进行结构化表示，是知识组织与智能推理的重要基础。时序知识图谱（TKG）进一步引入时间信息，以四元组形式描述事实随时间的动态演化。时序知识图谱推理（TKGR）旨在利用历史事实预测未来可能发生的事件，在动态知识更新、事件预测和趋势分析等领域具有重要研究价值。
现有时序知识图谱推理方法主要关注历史事实中的结构关联与时序演化规律，但对空间上下文信息的利用不足。一方面，时序知识图谱中的空间信息通常较为稀疏，难以充分描述事件相关的地理背景。另一方面，现有方法缺少对空间邻近关系及距离衰减规律的显式建模，限制了模型对隐式空间依赖关系的挖掘能力。
针对上述问题，本研究提出空间上下文增强的时序知识图谱推理模型SET-KGR，通过引入外部地理知识图谱补充稀疏的空间信息，并利用空间距离衰减约束建模局部与全局空间依赖关系，从而提升未来实体预测的准确性。
2 研究方法
本研究提出的SET-KGR模型主要由地理知识扩充、距离衰减权重约束编码以及预测与优化三个模块组成，分别实现空间语义信息补充、空间依赖关系建模以及地理知识与时序信息的联合优化，整体框架如图1所示。
图1 SET-KGR整体框架。
2.1 地理知识扩充
为缓解时序知识图谱中空间信息稀疏的问题，本研究设计地理知识扩充模块，通过引入外部地理知识图谱（GeoKG），为历史事实补充相关的空间上下文信息。首先，根据时序知识图谱中事件发生位置的经纬度信息，在地理知识图谱中识别空间距离最近的地理锚点实体。随后，以地理锚点为中心，根据节点度分布进行多跳邻域采样，提取相关地理实体及其空间关系和属性信息。最后，通过显式语义连接，将采样得到的地理知识与时序知识图谱中的事实实体进行融合，构建空间上下文增强图，使模型能够利用外部地理知识挖掘事实之间潜在的空间关联。
图2 地理知识扩充示意图。
2.2 距离衰减权重约束编码
为有效建模地理实体之间的空间依赖关系，本研究基于地理学第一定律，设计距离衰减权重约束编码机制。地理学第一定律指出，地理事物之间普遍存在空间关联，且距离越近，关联通常越强。该模块在关系图卷积网络的特征聚合过程中引入空间距离衰减权重，根据地理实体之间的实际距离调节空间邻域信息的贡献，使空间距离较近的地理实体在表示学习中获得更高权重，从而增强局部空间依赖关系的建模能力。同时，结合门控循环单元学习历史事实的时序演化特征，实现空间上下文信息与时序信息的联合编码。
2.3 预测与联合优化
为进一步利用全局空间依赖关系，本研究在预测与优化阶段引入基于距离衰减的地理实体约束，通过空间距离调整候选地理实体的预测得分，并利用动态距离上界缓解不同地理关系之间的距离尺度差异。最后，采用ConvTransE解码器完成未来实体预测，并联合优化时序知识图谱与地理知识图谱的学习目标，实现局部空间关联、全局空间约束和时序演化信息的协同建模。
3 研究结果
3.1 实体预测性能
研究基于ICEWS和GDELT事件数据库构建四个与地理知识对齐的时序知识图谱数据集，并基于华盛顿特区的地理信息构建地理知识图谱HGeoKG-DC-100K。采用前k命中率（Hits@k）和平均倒数排名（MRR）评价模型性能，二者均用于衡量正确答案在预测结果中的排名情况，数值越高表示性能越好。实验结果表明，SET-KGR在四个数据集上整体取得最优或具有竞争力的预测性能，验证了引入外部地理知识与空间距离约束对时序实体预测的有效性。
表1 SET-KGR在ICEWS21-150d-01和ICEWS21-150d-06数据集上的实体预测结果。
表2 SET-KGR在ICEWS22-150d-01和GDELT21-20d-01数据集上的实体预测结果。
3.2 消融实验
消融实验表明，地理知识扩充模块、编码端距离衰减约束和解码端距离衰减约束均能有效提升预测性能，其中地理知识扩充的贡献最为明显。实验验证了外部地理知识与局部、全局空间约束的互补作用。
表3 SET-KGR在ICEWS21-150d-01数据集上的消融实验结果。
3.3 其他实验分析
不同时间跨度实验表明，SET-KGR在各测试时间跨度下均优于RE-GCN，说明空间上下文增强能够在不同历史观察条件下为时序知识图谱推理提供有效支持。此外，传统知识图谱嵌入扩展实验表明，地理知识增强对不同模型的作用存在差异。效率实验表明，SET-KGR在引入额外地理知识的同时保持了合理的训练与预测开销。
4 研究结论
本研究提出空间上下文增强的时序知识图谱推理模型SET-KGR，通过地理知识扩充模块引入外部地理知识，补充时序知识图谱中稀疏的空间语义信息，并利用距离衰减权重约束，在编码和优化过程中分别建模局部与全局空间依赖关系。四个ICEWS和GDELT数据集上的实验表明，SET-KGR取得了优于或接近先进基线模型的实体预测性能。消融实验进一步验证了地理知识扩充与距离衰减约束机制的有效性。总体而言，本研究验证了空间上下文信息在增强实体表示、挖掘隐式空间依赖关系方面的重要作用，为融合外部地理知识的时序知识图谱推理提供了新的研究思路。
发文信息：
该研究成果发表于信息科学与计算机科学交叉领域的国际高水平期刊《Information Processing & Management》2026年第63卷。论文第一作者为中国地质大学（武汉）成人自拍
博士研究生李太龙，通讯作者为姚宏教授。该研究得到了湖北省自然科学基金（2023AFA006）和国家自然科学基金（42371420）的资助。
Li, T., Chen, R., Duan, Y., Xie, Y., Li, S., Yao, H.* Spatial context-enhanced temporal knowledge graph reasoning. Information Processing & Management, 2026, 63, 104456. doi: 10.1016/j.ipm.2025.104456.
亮点二：事件语义增强的时序知识图谱推理
1 研究背景
现有时序知识图谱推理方法主要关注历史事实中的结构关联与时序演化规律，但对与事实直接关联的事件语义利用不足。一方面，缺少事件类型的层次化语义约束，使模型难以有效区分语义相近的事件关系。另一方面，忽略实体所属国家、事件发生地等背景语义信息，使模型难以准确判断候选实体与事件上下文的匹配程度。这些问题可能导致实体和关系的语义表征不完整，限制模型对事实之间隐式依赖关系的建模能力。
针对上述问题，本研究提出事件语义增强的时序知识图谱推理模型ES-TKGR，通过引入与时序知识图谱事实对齐的层次化事件类型语义和静态事件背景语义，增强实体与关系的语义表征，挖掘事实之间的隐式依赖关系，从而提升未来实体和关系预测的准确性。
2 研究方法
本研究提出的ES-TKGR模型主要由事件类型层次约束编码（ETHCE）、静态知识图谱编码（SKGE）和自适应融合三个模块组成，分别实现层次化事件类型语义增强、静态事件背景语义增强以及两类语义特征的联合建模，整体框架如图1所示。历史时序知识图谱通过ETHCE和SKGE两个分支进行事件语义增强。ETHCE分支融合事件类型知识图谱CameoKG，利用层次化事件类型语义和原型对比约束学习动态实体与关系表示。SKGE分支融合全局静态交互图和背景语义知识图谱SKG，学习静态实体与关系表示。最后，通过自适应融合模块整合两类表示，用于未来实体预测和关系预测。
图1 ES-TKGR整体框架。
2.1 事件类型层次约束编码（ETHCE）
为充分利用事件类型之间的层次语义关系，本研究基于CAMEO事件编码体系构建事件类型知识图谱CameoKG，并设计事件类型层次约束编码模块。CAMEO是由政治学领域学者提出、广泛应用于国际关系与政治事件分析的层次化事件编码体系。首先，通过事件类型数据增强，将时序知识图谱中的实体与对应事件类型节点建立显式连接，构建事件类型语义增强图，使参与相同或相关事件类型的实体能够共享语义信息。随后，采用关系感知图卷积网络和门控循环单元学习实体与关系的动态表示。在此基础上，提出层次距离感知的原型对比学习机制，根据不同层级的事件类型构建关系类别原型，并利用类别之间的层次距离调整对比学习约束，从而增强关系表示对语义相近事件类别的区分能力。
图2 关系表示的层次感知原型约束机制。
2.2 静态知识图谱编码（SKGE）
为弥补时序知识图谱中实体背景语义信息的不足，本研究设计了静态知识图谱编码模块，将全局历史交互信息与事件背景语义相结合，增强实体的上下文表征能力。首先，将历史事实去除时间戳并进行去重，构建全局静态交互图。随后，利用ICEWS事件数据库中的实体所属国家和事件发生国家字段构建静态事件背景知识图谱SKG，并通过共享实体节点与全局静态交互图融合，形成背景语义增强图。在此基础上，采用关系图卷积网络聚合多关系邻域信息，学习融合全局交互信息和背景语义的静态实体表示，并通过参与同一关系的实体表示均值池化生成静态关系表示，从而增强候选实体与事件上下文的匹配能力。
2.3 自适应融合与预测
为联合利用ETHCE学习的动态表示和SKGE学习的静态表示，本研究设计共享的维度级自适应门控融合机制。该机制分别为实体和关系学习可训练的维度级门控向量，在不同特征维度上调节动态信息与静态信息的融合权重，生成最终的实体和关系表示。最后，采用ConvTransE解码器完成未来实体预测与关系预测，并通过多任务联合优化实现两项预测任务的协同学习。
3 研究结果
3.1 实体与关系预测性能
研究基于ICEWS事件数据库构建四个与事件语义对齐的时序知识图谱数据集。实验结果表明，ES-TKGR在短时间跨度数据集的实体预测中取得最优性能，在长时间跨度数据集上保持最优或次优水平。关系预测在绝大多数评价指标上取得最优性能，验证了事件语义增强的有效性。
表1 ES-TKGR在ICEWS-21-30d-01和ICEWS-22-30d-01数据集上的实体预测结果。
表2 ES-TKGR在ICEWS-21-180d-06和ICEWS-22-180d-06数据集上的实体预测结果。
表3 ES-TKGR在四个ICEWS数据集上的关系预测结果。
3.2 消融实验
消融实验表明，ETHCE和SKGE均能有效提升预测性能，其中ETHCE对关系预测的贡献更突出，SKGE对实体预测的贡献更明显。细粒度实验进一步验证了关键设计及自适应融合机制的有效性。
表4 ES-TKGR在ICEWS-21-30d-01数据集上的模块级消融实验结果。
表5 ES-TKGR在ICEWS-21-180d-06数据集上的模块级消融实验结果。
图3 ES-TKGR在ICEWS-21-30d-01数据集上的细粒度消融实验结果。
图4 ES-TKGR在ICEWS-21-180d-06数据集上的细粒度消融实验结果。
3.3 其他实验分析
背景语义分析表明，事件发生国家和实体所属国家具有较好的语义增强效果，背景信息缺失会降低预测性能。效率实验表明，ES-TKGR在提升预测性能的同时保持了较低的计算开销，实现了较好的性能与效率平衡。
4 研究结论
本研究提出事件语义增强的时序知识图谱推理模型ES-TKGR，通过事件类型层次约束编码引入层次化事件类型语义，通过静态知识图谱编码融合全局历史交互与事件背景语义，并利用自适应融合机制实现动态与静态信息的联合建模。四个ICEWS数据集上的实验表明，ES-TKGR在实体预测和关系预测任务中取得了优于或接近先进基线模型的性能。其中，层次化事件类型语义主要增强关系辨识能力，静态事件背景语义主要提升实体匹配能力，二者具有互补作用。总体而言，本研究验证了与时序知识图谱事实对齐的事件语义能够有效丰富实体和关系表示，增强事实之间隐式依赖关系的建模能力，为事件语义增强的时序知识图谱推理提供了新的研究思路。
发文信息：
该研究成果发表于信息科学与计算机科学交叉领域的国际高水平期刊《Information Processing & Management》2027年第64卷。论文第一作者为中国地质大学（武汉）成人自拍
博士研究生李太龙，通讯作者为关庆锋教授。该研究得到了教育部基础学科和交叉学科突破计划（JYB2025XDXM911）的资助。
Li, T., Duan, Y., Liang, X., Guan, Q.* Synthesizing event semantics for temporal knowledge graph reasoning. Information Processing & Management, 2027, 64, 105232. doi: 10.1016/j.ipm.2026.105232.
