该论文提出了一种新的逻辑规则增强的知识图谱嵌入方法，可以与任何基于转换的知识图谱嵌入模型（如 TransE）轻松集成。经过广泛的实验，在链接预测和三元组分类上显示出更好的性能提升。

Mar, 2019

本研究基于代数拓扑学和其现代发展，持久同调理论，在图表示学习中提出了一种新的基于循环基的归纳关系预测解决方案。通过探索循环空间的线性结构，我们可以提高规则搜索的效率。在收集这些循环的基础上，我们构建了一个新颖的 GNN 框架，学习了循环的表示，并预测了关系的存在性。该方法在基准测试中取得了最先进的性能。

Oct, 2021

我们提出了一种基于知识图谱的树状规则方法，可以扩展规则的应用范围和提高基于规则的方法的推理能力，并通过在四个公共数据集上的实验证明，相比链状规则，在链状规则归纳方法的基础上改进的树状规则在关联预测上表现更好。

Mar, 2024

本研究提出了一种基于强化学习的两阶段框架，以在知识图谱中生成和评估规则，实验结果表明，该方法在效率和效果方面均达到了最先进的水平。

Feb, 2022

本文提出了一种基于概率模型的 RNNLogic，并采用 EM 算法和后验推断方法，实现了在知识图谱推理中，学习逻辑规则的高效优化

Oct, 2020

本文提出了一种新的方法，通过迭代学习来注入规则并学习表示以充分利用规则和嵌入，取得了高效性和可扩展性的良好平衡，并通过两个公共数据集的评估，优于当前最先进方法，提高了均值倒数排名（MRR）2.7％和 4.3％。

Jan, 2023

通过知识图谱的边界预测任务、连接性、类型信息、谓语交互等因素，提出了基于判别路径的事实检查方法，用于评估包含主语、谓语、宾语的语句真实性，其结果在历史、地理、生物和政治等领域中显著优于相关模型，并具有易于解释的性质。

Oct, 2015

归纳性知识图谱补全的这篇研究中，通过学习训练图谱中的推理模式，从而对不相交的测试图谱进行预测；研究发现基于规则的方法相对于基于图神经网络（GNNs）的最新方法具有较低的性能，但通过针对问题所涉及的两个因素进行优化，可以实现接近基于图神经网络的性能，同时保留了规则方法的可解释性优势，并且进一步的变种在总体知识图谱中的表现优于基于图神经网络的方法。

Aug, 2023

本文介绍了一种使用两个基于人工智能的聚类算法来推荐 Open Research Knowledge Graph（ORKG）中资源有关谓词（在 RDF 语句中）的方法，以促进 ORKG 中术语汇聚的服务。实验证明，该方法具有很高的准确性和相对较高的召回率，并提供了有关谓词组的新见解，这些谓词组自动在跨 44 个研究领域的学术知识的语义化模式中积累。

Oct, 2022

本文提出了 IterE 框架，通过迭代学习嵌入和规则，将嵌入和规则学习相结合并互相补充。使用 IterE 进行的实验显示出，迭代学习嵌入和规则可以同时提高知识库中稀疏度实体的嵌入质量和链接预测结果，而且，在规则学习效率和规则质量方面都优于 AMIE+。

Mar, 2019