Un grafo de conocimiento temporal representa información temporal entre entidades en un grafo multi-relacional. Su razonamiento tiene como objetivo inferir y predecir posibles enlaces entre entidades. Predecir entidades con conciencia temporal es una tarea desafiante debido a las diferencias significativas en las apariciones de las entidades a lo largo del tiempo, como diferentes marcas de tiempo y frecuencias. Los métodos actuales de similitud basados en incrustaciones han sido introducidos para predecir hechos temporales. Sin embargo, carecen de explicabilidad lógica determinista y no pueden modelar la evolución dinámica de las entidades a lo largo del tiempo. Para abordar estos desafíos, proponemos un marco novedoso para el razonamiento de grafo de conocimiento temporal basado en fusión de características de múltiples vistas (MVFF). Primero, MVFF extrae reglas lógicas y utiliza el truco Gumbel-Softmax para muestrear reglas de alta calidad. En segundo lugar, integra reglas lógicas, cuádruples temporales y triples factuales para capturar características semánticas, información temporal e información estructural para resolver tareas de predicción de enlaces. A través de experimentos en cuatro conjuntos de datos de referencia, mostramos que MVFF supera a los métodos de vanguardia, proporcionando no solo un mejor rendimiento sino también resultados interpretables.