最近数十年,由于现代互联网及其相关技术的迅猛发展,人与人之间各种复杂的交互愈加频繁,直接导致了在线社交网络规模的快速膨胀,进而促进了研究人员对在线社交网络的研究兴趣和热情。社交网络的种类以及应用场景非常丰富,例如舆情社交网络中的舆情分析与控制,在线社交系统中常见的即时用户推荐、重要人物影响力分析等等。而合作者网络作为社交网络的一种重要子网络,在近年来也受到了非常大的关注。随着学术大数据的逐渐普及,绝大部分学术信息都可以通过互联网获得。合作一向都是社会学家进行社会模式分析的关键因素,同时合作也是研究人员开展科研活动的必要选择。合作者预测任务作为合作者网络的一项重要子任务,能够为研究人员之间的项目、论文合作提供强有力的建议,从而为他们推荐合适的合作者,同时也可以增强研究人员之间的学术思想交流。基于此,本文提出了一种基于时态合作者知识图谱的合作者预测算法。该算法由三个模块组成。首先,由于以往的知识图谱嵌入表示方法在进行实体和关系初始化时采用的都是基于图结构的方法,没有考虑到实体和关系的自然语义信息,因此本文设计了一个语义编码器,基于预训练语言模型BERT捕获实体和关系的语义信息作为其初始化嵌入表示。其次,考虑到时态合作者知识图谱中的实体的邻居之间存在大量的时态交互,本文设计了一个基于双向LSTM（Long Short-Term Memory）神经网络的时态图注意力机制,能够有效地捕获实体邻居之间的时间上下文信息。考虑到如何从时间和空间上有效的聚合实体的多跳邻域信息,本文以提出的时态图注意力机制为基础,配合邻域策略构建了一个嵌入编码器来聚合邻域信息,以获得空间上下文信息。通过时空上下文信息,可以很好地更新知识图谱中实体和关系的嵌入表示。最后,考虑到如何对三元组进行评分,以达到预测目的,本文设计了一个解码器,采用基于多尺度卷积核策略的卷积神经网络来对知识图谱中的每个三元组进行评分。基于真实世界中的学术关系抽取得到的时态合作者知识图谱上的实验证明了本文实现的合作者预测算法的有效性。同时,本文基于所使用的模型和方法,提供了一个合作者预测可视化界面,用户可以在界面上进行合作者查询与预测,可视化界面提供了更加完善的、智能化的服务。