知识图谱的关系机器学习综述
关系数据库中的数据存储方式使得使用机器学习模型变得具有挑战性和耗时，通过引入关系深度学习（RDL）方法，我们可以直接学习跨多个表格布置的数据，而无需进行手动特征工程。关系深度学习通过自动学习图引导，从而提取利用所有输入数据的表示，从而构建更准确的模型且速度更快。
Dec, 2023
本文提出了一种基于嵌入模型的一次性关系学习框架，将已有的知识和一跳图结构相结合，来预测在只有一个训练样例的情况下的新事实，并通过实验证明，在新关系预测和嵌入模型训练上，该模型具有巨大的性能优势。
Aug, 2018
我们介绍了关系图卷积网络 (R-GCNs) 并将它们应用于标准的知识库补全任务，包括链接预测和实体分类。R-GCNs 旨在应对实际知识库中高度多关系数据的特点，我们证明了它们作为一个独立模型在实体分类方面的有效性，并进一步证明，通过在关系图中累积多个推理步骤的编码器模型来丰富解码器模型，可以极大地提高因子分解模型 (例如 DistMult) 在链接预测方面的表现 (在 FB15k-237 上的表现提高了 29.8%)。
Mar, 2017
讨论了机器学习在知识图谱上的应用以及实验评估了一种适用于工业系统的异常活动评分方法。该方法经过无监督训练后，能够在各种场景下生成直观易懂、可解释的警报，为利用知识图谱的关系式机器学习在入侵检测方面带来潜在的好处。
May, 2021
本研究基于 Meta Relational Learning 框架，针对在知识图谱上进行少样本关系预测的挑战，通过转移关系特异的元信息来实现优化学习，最终在少样本关系预测基准测试中取得了最先进的成果。
Sep, 2019
本文综述了在图表示学习领域中，基于深度学习和非线性降维等技术的自动编码图结构为低维向量方法，包括基于矩阵分解、随机游走、图神经网络等方法，并开发了一个统一框架描述这些最新的方法，并为未来的工作提出了一些重要应用和方向。
Sep, 2017