研究了知识表示在人工智能中的重要性，提出了基于转换的方法矢量化实体和关系，然后通过使用基于度量学习的自适应度量方法来提高性能。在基准数据集上通过实验证明了该方法的显着改进，领先于现有的基线模型。

Sep, 2015

本文介绍了知识图谱嵌入的相关研究，提出了一种新的模型 ——TransF，有效地解决了前置模型无法处理的关系问题，并通过基准数据集的链接预测和三元组分类实验，证明了该模型相对于其他前沿模型具有明显的性能提升。

May, 2015

TransF 是一种新型的基于翻译的方法，可用于对知识图谱进行嵌入学习和关系预测，在处理具有数千种关系的复杂知识图谱时，具有高效性和鲁棒性，比现有的方法表现更好。

Jan, 2018

本文提出了一种基于边的嵌入模型 TransEdge，通过上下文化的方式对知识图谱中的关系进行表示，取得了优秀的性能表现，在基于嵌入的实体对齐方面达到了最好的结果。

Apr, 2020

本文提出了一种基于翻译模型的多语言知识图谱嵌入方法 MTransE 来实现跨语言的知识对齐，并采用不同的转化技术和损失函数来生成五种模型，实验证明该方法在跨语言实体匹配和三元组对齐方面取得了很好的效果。

Nov, 2016

本文提出了一种基于复杂空间中新颖的加权乘积所构建的关系自适应翻译函数的嵌入方法，即 RatE，该方法具有高度的表达能力，可以有效地缓解嵌入歧义问题，并在四个链接预测基准测试中取得了最先进的性能。

Oct, 2020

本论文提出了一种新颖的基于转移的知识图谱嵌入方法 TranS，使用合成的关系表示法代替传统评分模式中的单一关系向量，以有效和高效地解决相同实体对具有不同关系的复杂情况，实验结果表明，该模型在 ogbl-wikikg2 上实现了最先进的表现。

Apr, 2022

通过提出 TrasnSHER 的评分函数，可以更好的处理知识图完成任务中实体的优化问题，得到更好的预测结果。

Apr, 2022

本文提出了一种名为 TransG 的高斯混合模型，用于嵌入具有多种关系语义的知识图谱，并且是第一个可以处理多种关系语义的生成模型。实验结果表明，该模型在知识图谱嵌入方面具有显著的优势。

Sep, 2015

本文提出一种新的知识图谱嵌入模型 ToruE，解决了传统模型 TransE 中由于规范化导致的问题，并在链接预测任务上表现优异。

Nov, 2017