知识图谱已被证明是众多智能应用的有效工具。然而，大量有价值的知识仍然隐含在知识图谱中。为了丰富现有的知识图谱，近年来许多用于链接预测和知识图谱嵌入的算法被设计出来推断新的事实。但是，这些研究大多集中在静态知识图谱上，忽略了反映知识有效性的时间信息。开发适用于时间知识图谱补全的模型是一项日益重要的任务。本文基于四阶张量的Tucker分解启发，构建了一个新的用于时间知识图谱补全的张量分解模型。证明了所

知识图补全（KGC）旨在根据观察到的事实推断缺失的事实，这对许多下游应用程序具有重要意义。鉴于深度学习和预训练语言模型（LM）的成功，一些基于LM的方法被提出用于KGC任务。然而，它们中的大多数专注于对事实三元组的文本进行建模，而忽略了更深层次的语义信息（例如，拓扑上下文和逻辑规则），这对KG建模很重要。为此，我们提出了一个统一的框架FTL-LM来描述KGC语言模型中的拓扑上下文和逻辑规则，主要包