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

本文提出了一种新颖的方法，将知识三元组和逻辑规则整合起来，通过有序关系在连续的低维向量空间中对实体和关系类型进行编码，同时利用逻辑规则的传递性和反对称性，来实现知识表示的学习。通过实验证明，该模型在知识图谱完成任务方面显著优于其他基线模型，表明该模型可以捕获知识图谱中的传递性和反对称性信息。

Feb, 2017

本研究论文介绍了一种新颖的模型，将知识图谱中的实体和关系编码为低维向量空间，并将上下文信息和字面信息融入到实体和关系嵌入中，使用图卷积网络进行建模，通过置信度和相关性度量评估上下文信息的重要性，并通过字面信息的表示来计算相关性度量。我们在两个常用基准数据集上进行了全面的实验证实以验证模型的性能。

Dec, 2023

本文研究了利用学习表示的空间的内在几何结构来实现自动遵守复杂结构约束的本体 (分层和部分有序结构) 学习的最新工作，并探讨了对一种此类模型的两种扩展，旨在提高通识知识表示文本数据的性能。通过混合学习排序关系和非分层知识，以及利用训练数据的部分有序结构找到在配对训练过程中不好执行的嵌入之间的长距离 triplet 约束，我们发现这两种扩展都优于原始的 order-embedding 模型和其他强基线模型。

Aug, 2017

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

通过基于神经嵌入的方法，学习知识库中实体和关系的表示，并将大多数现有模型统一到一个学习框架下，比较各种嵌入模型在链接预测任务上的表现，其中一个简单的双线性公式在任务中取得新的最优结果；此外，利用此模型可以挖掘逻辑规则，其中包含组合推理，并且此方法在 Horn 规则挖掘方面表现优秀。

Dec, 2014

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

本文提出了一种名为 RulE 的框架，它融合了元素、关系和逻辑规则。通过在统一嵌入空间中学习每个逻辑规则的嵌入向量，RulE 可以以软方式进行逻辑推断，并为每个规则分配置信度分数，从而提高知识图嵌入的泛化性能。通过对多个基准知识图进行实验，RulE 的有效性得到了证明。

Oct, 2022

本文提出了 LogiRE，一种通过学习逻辑规则进行文档级关系提取的新型概率模型。该模型将逻辑规则作为潜在变量，并由规则生成器和关系提取器两个模块组成，可以显式捕捉长程依赖并具有更好的解释能力，实验结果表明在关系性能（1.8 F1 分数）和逻辑一致性（超过 3.3 逻辑分数）方面，LogiRE 明显优于几个强基准。

Nov, 2021

提出了一种基于图神经网络的关系预测框架 GraIL，该框架可以推理本地子图结构并具有强的归纳偏差来学习独立于实体的关系语义。与基于嵌入的模型不同，GraIL 是自然归纳的，并且可以在训练后推广到未看到的实体和图形。在归纳设置中，GraIL 优于现有的规则归纳基线。

Nov, 2019