本文提出了一个基于对抗生成网络的知识表示学习框架，利用生成器获得高质量的负样本，通过判别器学习知识图谱中实体和关系的嵌入，进而提高传统模型的知识表示学习能力。实验结果表明，该框架在三元组分类和链接预测任务上优于基线模型。

Sep, 2018

本文提出了一种利用预训练语言模型来生成负样本的方法，该方法利用实体之间的距离通过它们的文本信息形成邻域集群，以得到符号实体的表示形式，有效地应用于基准知识图谱的链接预测任务。

Mar, 2022

本文提出了一种新的负采样方法，通过直接跟踪积极的负采样三元组，避免 GAN 带来的训练困难，实现了高效而有效的 Knowledge Graph embedding。

Dec, 2018

该论文提出了一种训练过程，通过向损失函数添加新颖的正则化项，避免了使用负采样的需要，并且在两个关系嵌入模型（DistMult 和 SimplE）中得到了优异的性能和速度。

Jan, 2022

本文探讨了知识图谱中的社会偏见和文化偏见，特别是在节点流行度与链接预测精度之间的负相关关系以及从知识图嵌入中预测人的性别并提出了过滤对抗网络（FAN）来消除这些敏感属性信息从而使知识图谱达到去偏见的目的。

Jun, 2020

知识图谱是企业应用中智能决策所必需的关于世界事实知识的概念关系，学习知识图谱嵌入（KGE）模型可以有效地推断新知识。然而，该论文指出，现有的 KGE 模型容易受到数据污染攻击，在预测任务中存在安全漏洞，因此提出了两种新颖的数据污染攻击方法，旨在解决这一问题。

Sep, 2022

本文提出了一种基于混合运算的负样本采样方法 MixKG，通过过滤出符合充分性和正确实体相似性两个标准的异常三元组，使用这些三元组生成更高质量的负采样，实验证明该方法优于其他采样算法。

Feb, 2022

本文提出了一种新的框架，ContrAstive knowledge Graph Error Detection (CAGED), 结合了 Knowledge Graph (KG) 的 embedding 和对比学习的 loss，对 KG 中的三元组进行可靠性评估，从而检测异常，通过在不同超视图中的建模 CAGED 比现有方法表现更好。

Nov, 2022

本文提出了一种名为 EANS（Entity Aware Negative Sampling）的新方法，采用高斯分布对齐的实体索引空间来抽样与正实体类似的负实体，同时引入辅助损失来缓解样本的负效应，结果表明本文的方法在几个知识图谱嵌入模型上优于现有的负采样最先进方法，且即使负样本数目受限制时，也能达到有竞争力的性能。

Oct, 2022

通过引入三种不同类型的负例并结合 InfoNCE Loss，提出了一种名为 SimKGC 的模型，实现了高效的自然语言文本推理知识图谱补全， 并在多个基准数据集上取得了比基于图嵌入的方法更好的效果。

Mar, 2022