通过构建一个概率模型，该论文提出了一种新的关系推导框架，提高了在相关数据集上的推导分数；此外，该论文还提供了两个用于帮助未来研究的实用资源：一种改进的判定数据集框架和一个包含 17848 个标记实例的公共数据集，其标记的精度从 53％提高到了 95％。

Jul, 2019

通过三个扩展来改进 RTMs 模型，扩大模型表达性和处理不平衡网络结构的能力，实现更加精准的推理和主题发现.

Oct, 2013

本文介绍一种完全对称的关系模型，它引入了每个实体的无限维潜在变量作为狄利克雷过程模型的一部分，并扩展了中餐馆过程以适用于关系建模。该模型在三个应用中进行评估，并在复杂的关系模型中提供了显着改进的估计关系或实体描述属性的结果。

Jun, 2012

本文在不独立于同分布的数据实例上扩展了 d 分离理论，引入关系分离理论以从 relational models 推导条件独立性并提出了抽象的 ground graph 表达方式，从而实现了一种可靠、完整、高效的计算 d-separation 查询的方法。

Feb, 2013

建立概率图模型从观测数据中学习结构时，会发现模型中的随机变量之间存在方向性的循环依赖关系。我们描述了一种概率图模型 - 概率关系网络，它允许直接捕捉结构学习过程中的方向性循环依赖关系。该模型基于一个简单的思想，即观测数据的每个样本都可以通过任意图来表示，这个图反映了样本中包含的变量间的依赖关系结构。我们探索了该模型中的完全联合分布和条件分布以及变量之间的条件独立性质。我们定义了从数据集构建模型和计算条件分布和完全联合分布的算法，并与贝叶斯网络和马尔可夫网络进行了数值比较。该模型不违背概率公理，支持从观测数据中学习，并支持概率推断，因此在数据分析、专家决策和设计应用中具有潜在的用途。

Oct, 2023

该研究介绍了两种形式化方法，将相对频率明确地纳入统计关系人工智能中，并提供了两种形式主义在不断扩大的域上诱导的渐近概率分布的表示，这有助于更好地对训练和测试域大小不同的学习问题进行建模和估算参数。

Feb, 2022

本论文提出了一种贝叶斯概率方法，通过将二进制编码的各种节点属性纳入泊松似然的关系模型中，利用侧面信息来提高社区检测和链接预测的性能。该方法可以灵活地处理有向和无向关联网络，利用节点属性的稀疏性，通过高效的 Gibbs 采样实现推理。广泛实验证明，我们的模型实现了最先进的链接预测结果，尤其是在高度不完整的关系数据中。

Jun, 2017

本文提出一种新的基于概率框架、结合形式语义和机器学习的方法，通过将谓词与其所指实体分开，利用贝叶斯推断来对逻辑形式进行推理，在使用受限玻尔兹曼机和前馈神经网络的组合实现这一框架之后，最终证明了该方法的可行性。

Jun, 2016

提出了一种基于知识图谱关系的潜在关系语言模型 (Latent Relation Language Models, LRLMs), 该模型不仅能提高语言建模性能，还能添加实体跨度的后验概率，实验结果表明该模型的性能优于基准模型和之前的知识图谱信息存在的模型，定性分析进一步证明了所提议的模型在上下文中预测适当的关系的能力。

Aug, 2019

本文提出新的简单聚合器及对现有模型进行的简单修改，并通过实证研究展示这些方法的有效性，从而解决了关系概率模型中聚合的挑战，并为未来的表示奠定了基础。

Jul, 2017