该研究提出了一种理论方法，将词嵌入和知识图谱中的实体及其关系的几何形状联系起来，以便更好地理解它们的语义结构和性能。
Feb, 2022
本文研究了含有时间变量的知识图谱，通过训练一个使用知识图谱背景信息和最近事件信息的事件预测模型，预测未来事件并预测知识图谱的变化，从而得到了知识图谱的演化模型，该方法在医疗应用、推荐引擎和传感器网络应用中表现良好。
Dec, 2015
研究利用词嵌入的理论，将知识图谱关系分为三种类型，并为每种类型导出其表示法的明确要求，以了解知识图谱数据的潜在结构如何被不同表达方法所捕捉。
Sep, 2019
本文介绍了如何扩展静态知识图谱，使其适用于时间序列数据，以实现近似归纳推理。其中，提出的新型张量模型 ConT 在推理性能上表现出明显优势，同时还讨论了与我们的认知记忆有关的模型投影假设。
Jun, 2018
本文提出了三种知识图谱表征模型，分别是 HypER、TuckER 和 MuRP，它们都能够自动预测缺失的关系，并且在性能方面不断取得进步。同时，该文还将最新的理论研究成果推广到了知识图谱的领域，探讨了如何在这些模型中编码不同种类的关系。
Jan, 2022
本文提出了一种基于图神经网络对查询进行编码的通用架构，与现有方法相比，该方法可以编码更多种类型的查询。实验结果表明，该模型可以学习到表示实体类型的实体嵌入，并在复杂查询方面表现优异。
Feb, 2020
通过综合调查学习了时间知识图谱表示学习及其应用，包括定义、数据集、评估指标、核心技术分类、方法分析以及与时间相关的下游应用，并对未来研究方向进行了展望。
Mar, 2024
知识图谱是一个基于图形的数据结构，用于表示世界的事实，其中节点表示现实世界的实体或抽象概念，边表示实体之间的关系。知识图谱嵌入通过在低维向量空间中表示实体和关系来捕捉它们之间的语义关系。本文讨论了基于翻译和神经网络的嵌入模型，它们根据语义属性、评分函数和架构的不同而有所区别，并进一步讨论了在一些使用深度学习模型和利用社交媒体数据的领域中应用知识图谱。
Apr, 2024
本文介绍了一种基于连续学习方法的增量知识图嵌入技术，弥补了现有嵌入技术只能处理先前已知概念的局限性，并提供了一些在知识图嵌入技术和机器人应用之间进行权衡的洞见。
Jan, 2021
本文介绍了使用知识图谱嵌入方法来分析其语义结构，从而支持数据探索和解决相关问题的框架和方法。通过这种方式，可以使用良好研究的词嵌入空间定义语义查询，以便在数据集中解决相似性和类比等任务，并支持传统学术数据探索任务及一些新的有趣任务的解决。