本文介绍了一种基于复杂嵌入的统计关系学习方法，在实现表达能力和时间 / 空间复杂度之间权衡的同时，探索了这种复杂嵌入和酉对角化之间的联系，提出的嵌入方法仅涉及共轭内积，具有良好的可扩展性和高准确率。

Feb, 2017

研究比较了两种最先进的链接预测 / 知识图完成方法：Nickel 等人的全息嵌入和 Trouillon 等人的复杂嵌入，提出了一种在傅里叶变换的频率域中高效计算的全息嵌入谱版本，分析发现其可以视为具有在训练时施加的初始向量限制的复杂嵌入实例，反之任何复杂嵌入可以转换成等价的全息嵌入。

Feb, 2017

本研究介绍了 SimplE 算法，通过它可以更好地学习知识图谱中实体的表示方式，从而提高链路预测准确度。

Feb, 2018

本文比较了两种最先进的知识图谱嵌入模型 ComplEx 和 HolE，分析了它们结果不一致的原因，并讨论了它们的优缺点及应用情况。

Jul, 2017

本文提出一种名为 HoloE 的方法用于学习整个 knowledge graph 的综合空间表示，通过循环相关性来创建组合表示，从而在 link prediction 和 relational learning 等方面超越现有技术。

Oct, 2015

该论文提出了一种新的 L1 规则器来强制符合观察数据的关系得分函数的对称性或反对称性，从而减少参数数量，实现 KBC 方面的更好性能。在 FB15k 数据集上，这种方法表现优于原始复杂嵌入及其他基准方法。

Aug, 2018

本文提出了两种基于嵌入的方法 HSimplE 和 HypE，直接处理知识超图中的关系， 以解决链接预测问题，此外还开发了公共数据集、基准测试并进行了实验，证明所提出的模型比基准测试更 effective。

Jun, 2019

该论文提出了使用 Skolemization 技术嵌入复杂查询的逻辑嵌入方法，支持否定查询、能够高效查询存在变量并优化建模、在大规模不完整知识图谱查询中快速准确，且在回答不确定性问题上提供了改进。

Feb, 2021

本文提出一种基于超网络结构的张量分解方法，用于实现知识图谱中链接预测任务，取得了比 ConvE 和所有以前的方法更好的性能表现，同时能够作为张量分解模型的一种简化（相比较于卷积神经网络方法）而得到推广。

Aug, 2018

本研究提出了一种基于超复数表示的知识图谱嵌入方法，利用四元数来表示实体并将关系建模为四维空间中的旋转方式，实验证明此方法在关系表示学习方面表现出色并达到了当前领域最好的水平。

Apr, 2019