本文介绍了一种基于知识图谱的问答系统，采取了一种新型的深度学习架构和端到端变分学习算法，可以同时处理问题中的噪声和多跳推理，在最新的基准数据集中取得了最优表现。

Sep, 2017

该论文介绍了一种高度可扩展的概率框架，利用神经变分推理构建条件推理网络，针对知识图谱中实体和关系类型的符号表示提供变分分布。通过该框架构建了两个模型，即 Latent Information 和 Latent Fact 模型，这些模型在特定条件下改进了基线性能。

Jun, 2019

研究使用图神经网络的归纳节点和关系结构表征方法对知识图谱中的新实体进行逻辑推理的方法，并实验发现归纳模型能够在推理时间内对未见节点进行推理，同时可以推广至训练天数 500％大的图表，表现出较高效率和效果平衡的特点。

Oct, 2022

本文提出了一种利用强化学习框架开发的面向缺失事实的多跳图推理和事实提取代理的协同训练方法，以预测知识图谱中缺失的事实，从而提升可解释性推理的效果。

Aug, 2019

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

本研究提出了一种基于图卷积网络和关系聚合的归纳推理模型，利用自适应关系聚合和反馈注意机制对实体进行编码和更新，并针对新实体的稀疏性问题提出了链接增强策略。实验结果表明该模型在归纳知识图谱推理方面优于现有的基于嵌入、基于行走和基于规则的模型。

Aug, 2022

一种支持多元时间序列预测的灵活模型，可以基于完全联通或双部分图推断时间序列之间的关系，提供高精度或高效率预测并降低时间和内存复杂度。在多个数据集中表现优于之前的图推断方法。

Mar, 2022

本文提出了一种基于不确定知识图谱的关系抽取模型，该模型采用多视角推理框架来整合本地上下文和全局知识。实验结果表明，引入不确定知识和多视角推理框架的模型在句子和文档级别关系抽取上都具有竞争性能。

Apr, 2021

本文提出了一种高效的关系变分推断算法，用于将大规模概率混合物模型转化成简单的变分模型，以提高推理效率，并通过使用隐变量消去或抽样方式计算变分模型上的边缘概率。

Oct, 2012

通过将知识图谱嵌入的数据驱动能力与领域专家或包含 OWL2 的蕴涵方案等领域特定推理松散地耦合，我们不仅能够提高预测精度，而且还允许用户插入自己的知识图谱嵌入和推理方法。我们的初步结果表明，我们的方法将基准知识图嵌入的平均倒数排名（MRR）精度提高了最高 3 倍，并且超过了将知识图嵌入与规则挖掘和推理相结合的混合解决方案高达 3.5 倍 MRR。

Feb, 2022