Los enfoques de representación de grafos de conocimiento temporal encuentran desafíos significativos al manejar las complejas relaciones dinámicas entre entidades, relaciones y tiempo. Estos desafíos incluyen la alta dificultad de entrenamiento y el pobre rendimiento de generalización, especialmente con conjuntos de datos grandes. Para abordar estos problemas, este artículo introduce estrategias de aprendizaje curricular de aprendizaje automático, con el objetivo de mejorar la eficiencia del aprendizaje a través de una planificación curricular efectiva. El marco propuesto construye un modelo de filtrado de alta dimensionalidad basado en campos receptivos de alto orden basados en grafos y emplea un modelo de puntuación que utiliza una estrategia de temperatura curricular para evaluar la dificultad de los cuádruples de datos de grafos de conocimiento temporal en cada etapa. Al expandir progresivamente el campo receptivo y ajustar dinámicamente la dificultad de las muestras de aprendizaje, el modelo puede comprender y capturar mejor la información de varios niveles dentro de la estructura del grafo, mejorando así sus capacidades de generalización. Además, se introduce un factor de temperatura durante el entrenamiento del modelo para optimizar los gradientes de los parámetros, junto con una estrategia de entrenamiento creciente gradual para reducir la dificultad de entrenamiento. Los experimentos en los conjuntos de datos de referencia ICEWS14 e ICEWS05-15 demuestran que este marco no solo mejora significativamente el rendimiento del modelo en estos conjuntos de datos, sino que también reduce sustancialmente el tiempo de convergencia del entrenamiento.