本文提出了一种新方法，通过共同利用现有实体类型和知识图谱中的全局三元组知识以及两个嵌入模型，推断知识图谱中缺失的实体类型实例；在真实数据集上实验结果显示，此方法和模型可以有效地提高知识图谱实体分类。

Jul, 2020

本研究提出了一种利用细粒度实体类型推断模型生成具备人类可读性，且能够直接用于实体相关任务的实体表示向量的方法，并针对特定领域实体优化表征，通过少量规则增加领域知识以提高性能。

Apr, 2020

提出了一种利用 RDF2vec 不同图形遍历策略和实体的文本描述来进行实体打标的新方法（GRAND）。实验表明，引入上下文信息的方式和生成图行走序列的策略对于实体打标在 KG 中有重要影响。该方法在 DBpedia 和 FIGER 基准数据集上，对于精细和粗粒度类组合都优于基线方案。

Jul, 2022

介绍了一种基于图嵌入的半监督学习框架，重点研究了在图中联合预测类别标签和邻域上下文信息的方法，并在包括文本分类等多个基准任务上，相比已有的模型表现出了更好的性能。

Mar, 2016

本文提出了一种新的标签关系归纳偏好，利用图传播层有效编码全局标签共现统计和单词级别相似性，结合基于注意力的匹配模块，可以在包括超过 10,000 种自由形式类型的大型数据集上实现更高的召回分数，并且在输出的稳定性方面也更少不一致性。

Mar, 2019

本研究提出了一种利用上下文信息进行知识图谱实体类型推理的新方法，设计了两种推理机制：N2T 和 Agg2T，并提出了一种新的损失函数以减轻训练期间的误测问题。实验证明了该方法的有效性。

Sep, 2021

本文研究了采用双曲嵌入表示大型实体类型库中的层次信息，以捕捉上下文中提及和目标类型之间的层次关系，从而提高实体类型命名性能。研究表明，双曲模型在不同的技术和数据集上表现出提高的效果，但在技术代码和数据集细节方面的差异也存在影响。

Jun, 2019

本文提出了一种无监督的零样本实体类型的方法，该方法可以弹性地识别新定义的类型，并利用 FREEBASE 的布尔函数进行自我推理。我们在包括生物领域的各种数据集上评估了该系统，并证明了它在超出领域的数据集上优于监督学习方法与其他零样本细粒度关键词方法。

Jul, 2019

本文研究使用盒子嵌入（box embeddings）模型来更好地捕捉细粒度实体类型之间的复杂相互依存关系，并与矢量嵌入模型进行比较，在几个实体类型基准测试中表现出最先进的性能和更好的预测一致性和置信度。

Jan, 2021

本文提出了一种新颖的基于 TypE-aware 信息传递（TEMP）模型，它通过加强查询中的实体和关系表示，并同时提高了概括推理、演绎推理和归纳推理，来利用知识库中关键的语义知识，从而提高现有嵌入式模型的性能。实验结果表明其有效性。

May, 2022