知识图谱是实体和关系组成的拓扑结构网络,它可以结构化表示现实世界中的知识。动态知识图谱是在经典知识图谱中加入了时间维度信息,在动态知识图谱上做实体或关系预测,属于知识图谱推理的方向之一,在推理中既要预测可能出现的实体也要预测实体对之间可能出现的关系。依据以往对动态知识图谱的研究,为了提升对动态知识图谱的推理能力,本文提出了一种基于时序信息和统计信息的动态知识图谱推理模型。模型考虑了动态知识图谱中事件的时序性和动态性,还把事件的历史统计信息考虑到了对知识图谱的推理中。对于动态知识图谱推理问题,本文提出的模型主要分为了三个模块,分别是时序信息预测模块、统计信息预测模块和事实预测模块。时序信息预测模块是基于动态知识图谱中事件的时序性和动态性进行推理;其中有三个部分,第一部分是聚合器,模型选用的是RGCN作为聚合器,RGCN可以聚合目标实体周围所有关系下的邻近信息,包括聚合目标实体作为主体和客体的邻近信息。第二部分是编码器,为了对知识图谱中的事件有更好的时序编码,本文选用的是LSTM作为编码器,它可以对聚合信息进行时序编码获得事件之间的时序相关性。第三部分是解码器,解码器的功能是对编码信息进行特征提取和多分类预测,得到待预测实体的概率。统计信息预测模块对于给定（s,r,?,t）任务进行实体o预测的问题,首先是在距离当前时刻前m个时间戳下,统计满足（s,r,?）条件下实体o的信息,然后基于统计的历史信息,进行实体o的预测。事实预测模块在得到基于时序信息预测和统计信息预测的预测结果后,为了对（s,r,?,t）有更准确的预测,对于两个模块的预测结果进行加权融合,获得待预测实体o的最终概率。因为RGCN作为聚合器会聚合目标实体周围所有关系下邻近信息,把目标实体作为客体的信息也进行聚合,那么这部分信息就可能对模型的推理造成影响。为了减少聚合信息中可能的干扰信息,本文提出使用邻近向量均值聚合器代替原有的RGCN聚合器,邻近向量均值聚合器只聚合以目标实体为主体的邻近信息,会让聚合的信息更加准确。实验证明,本文提出的模型通过结合事件时序信息和统计信息,并加权融合两种推理方式的预测概率,让模型在动态知识图谱推理上有了更好的效果。在部分数据集中,使用邻近向量均值聚合器由于减少了聚合信息中的干扰信息,让其获得了更好的推理结果。