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

本文提出了一种高效的基于关联规则的方法，将实体元组嵌入映射到近似布尔空间中，通过从 WordNet 中进行的关联规则挖掘来鼓励关系嵌入上的部分排序，以实现自动化知识库的构建。通过引入少量的常识规则，相较于矩阵分解基准方法，实现平均精度的 2 个百分点的提高，并观察到运行时间几乎没有增加。

Jun, 2016

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

本文提出了一种基于规则和路径的联合嵌入（RPJE）方案，利用逻辑规则的可解释性和准确性、KG 嵌入的泛化性以及路径的补充语义结构。实验结果表明，RPJE 在 KG 完成任务上优于其他最先进的基线，这也证明了利用逻辑规则和路径提高表示学习的准确性和可解释性的优越性。

Nov, 2019

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

该研究介绍了一种广义的谐波扩展技术，通过利用传统的跨领域知识图嵌入方法学习的表示，推断引入的新实体在推理时的表示，并扩展了跨领域知识图嵌入方法的功能，可以用于知识图的补全和逻辑查询。

Sep, 2023

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

该研究介绍了一种叫做 3H-TH 的新型模型，可以同时捕捉对称、反对称、倒置、交换组合、非交换组合、层级和多重性等许多关系模式，实验结果表明，在低维空间中，该模型在精度、层级属性和其他关系模式方面优于现有的最先进模型，但在高维空间中表现相似。

May, 2023

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

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