시간 지식 그래프 (Temporal Knowledge Graph, TKG) 추론은 과거 사실로부터 미래 사건을 예측하는 것을 목표로 합니다. TKG 에서 예측 정보를 함께 포착하는 데 있어 핵심적인 과제는 역사적 증거와 진화적 역동성이라는 두 가지 출처입니다. 그러나 기존 방법들은 일반적으로 이 두 출처 중 하나에만 집중하여 TKG 의 상호 보완적인 예측 신호를 완전히 활용하는 능력을 제한합니다. 이를 해결하기 위해 우리는 시간 지식 그래프 추론을 위한 새로운 협력적 이중 관점 학습 프레임워크인 CHE-TKG 를 제안합니다. CHE-TKG 는 역사적 증거와 진화적 역동성을 명시적으로 분리하고 함께 모델링하여 그 상호 보완적인 예측 신호를 학습하고 활용하는 것을 목표로 합니다. 구체적으로, CHE-TKG 는 장기적인 구조적 규칙성과 안정적인 관계적 제약을 포착하기 위해 역사적 증거 그래프를 구축하고, 시간적 전이와 최근 변화를 모델링하기 위해 진화적 역동성 그래프를 구축하며 각 관점을 위한 전용 인코더를 사용합니다. 또한 두 관점 간의 예측 신호를 더 잘 포착하기 위해 관계 분해 (relation decomposition) 와 대비 정렬 목적 (contrastive alignment objective) 을 적용합니다. 광범위한 실험结果表明 CHE-TKG 는 여러 벤치마크에서 최상위 성능을 달성함을 보여줍니다.