科学关系预测能够在新关联出现前指引发现方向。现有方法往往将概念语义和图结构分开建模，或在粗粒度的历史快照上汇总语义，导致语义表征与快速演化的图证据出现错位。我们提出一种时间对齐的演化概念图框架，能够同步建模语义和结构的演化。核心思路是把带日期的论文视为共享的更新事件，通过同一篇出版历史在每个预测时刻重建语义状态和结构状态。随后在配对层面将两种状态融合，用以预测概念首次共现、关系形成以及条件关系类型。保持模型结构和训练方式不变，仅在每次预测时刷新上下文即可使平均关系 AUPRC 提升 16.6%，相较于冻结上下文的基线。我们在包含 187,848 篇论文、270,687 个概念和 7.45 百万共现链接的图上进行实验，整体框架将平均关系 AUROC 从最强基线的 0.9290 提升至 0.9722，人口加权平均 AUPRC 达到 0.005778。
点评