自2019年新冠疫情爆发以来,我国已在疫情防控方面采取了很多有效的措施。但目前疫情还没有结束,所以针对加强新冠疫情防控的研究还在进行中。由于新冠病毒传播途径多样、伪装性强,目前主要通过追踪病例的时空数据,找出密接人员,来进行疫情防控。近年来,知识图谱在很多领域都得到了广泛的应用,包括问答系统、搜索引擎、智能语音、推荐系统等。随着知识图谱的发展,本文考虑将知识图谱应用在疫情防控领域,根据病例轨迹信息,构建由新冠疫情病例和城市的POI数据组成的新冠疫情知识图谱,并对缺失感染事件进行补全,可以实现信息溯源、推断高风险地点、发现密接人员等。本文构建的新冠疫情知识图谱是时间知识图谱,与目前存在的大多数知识图谱不同,时间知识图谱是带有时间信息的知识图谱,并且时间知识图谱中的知识通常是暂时有效的。之所以将新冠疫情知识图谱构建为时间知识图谱,主要是因为在新冠疫情中,很多信息都是与时间相关联的,比如说接触病例的时间、访问过某个高风险地区的时间,这都决定着感染新冠病毒的概率。本文还将构建好的新冠疫情知识图谱进行了可视化处理,目的是使得信息可以更直观的体现出来。在构建新冠疫情知识图谱时,我们发现网络上公开发布的病例轨迹信息存在不完整性,这是由很多不可控因素导致的。数据的不完整会导致知识图谱中知识的缺失,会为后续使用新冠疫情知识图谱进行新冠防控研究带来困难。为了找出知识图谱中缺失的部分,需要对构建好的新冠疫情知识图谱进行补全。现有的知识图谱补全模型有很多,如基于知识表示的模型、基于路径推理的模型还有基于强化学习的模型等,但这些模型都是用于静态知识图谱补全工作的,静态知识图谱即没有时间信息的知识图谱。而本文的所构建的新冠疫情知识图谱是时间知识图谱,静态知识图谱尽管在关系推理和下游任务中广泛使用,但仍无法对仅暂时有效的知识和事实进行现实建模。并且,大多数现有的时间知识图谱补全模型扩展了静态知识图谱嵌入,它们没有充分利用时间知识图谱结构,因此缺乏考虑已经存在于查询的本地邻域中的时间相关事件,并且在推理的过程中缺乏可解释性。由此,本文中提出了一个新的用于新冠疫情知识图谱补全的模型:T-WGPR,该模型主要分为两个部分,一部分是编码器,一部分是解码器。在T-WGPR的编码器中,通过利用具有注意力机制的图卷积神经网络关注每个事件和查询时间戳之间的时间位移来编码新冠疫情知识图谱的查询特定子结构,然后通过在图上传播注意力的解码器来执行基于路径的推理。最后,本文使用了构建好的新冠疫情知识图谱对提出的知识图谱补全模型进行了实验,通过实验结果可以表明,本文提出的模型与现有的知识图谱补全模型相比在每个评估指标上平均提高10%左右。