时序知识图谱通常包含不同时间点实体及其关系所组成的事实。由于知识图谱的不完整性,知识图谱补全任务受到越来越多的关注。知识图谱补全的目标为根据知识图谱中已有事实来推断出新的事实,使得知识图谱更加完整。知识图谱补全可以辅助完成问答、推荐等下游任务,因此具有重要的研究意义。知识图谱嵌入表示方法已被证明在知识图谱补全任务上是十分有效的。早期基于知识图谱嵌入的补全方法主要针对静态知识图谱进行补全而忽略了知识图谱中重要的时序信息。现有工作在利用时序信息来完成知识图谱补全任务时,大多都采用直接拓展静态的方法来进行。然而,这些方法主要存在两个问题:其一,没有充分考虑事实的动态演化过程,导致模型无法捕捉到事实之间的时序依赖信息;其二,没有充分考虑上下文信息的影响,导致模型在推理新事实时效果不佳。为了解决上述问题,本文提出了一种基于事实上下文序列的时序知识图谱补全模型CTKGC。该模型能够在考虑时序知识图谱中事实的动态演化过程的同时,还充分考虑了目标事实的上下文信息。具体来说,为了建模事实的演化关系,本文首先通过构建目标事实中实体所关联的事实序列来直观描述该实体对应的事实的动态演化过程;然后,根据上述序列来构建目标事实的上下文事实序列,以便于描述推理目标的前因后果。考虑到事实间的时间间隔对于推理准确性的影响,本文使用时间衰退函数来建模不同上下文事实对目标事实的影响强度。然后,本文使用注意力机制来计算上下文事实与目标事实之间的相关性,并据此赋予不同上下文事实不同的权重,以突出与目标事实相关的上下文事实,从而提高目标事实推理的准确性。本文通过在4个真实的时序知识图谱数据集上与目前主流的知识图谱补全方法进行实验对比,来验证本文模型的有效性。实验结果表明,在知识图谱补全的评价指标（Hits@1、Hits3、Hits@10和MRR）上,相较于其他对比模型,本文方法的取得了更好的效果。