在知识图谱上嵌入逻辑查询
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
本文介绍了如何利用 Graph Neural Networks 来嵌入和回答超关系连接查询，以处理新型复杂查询，同时提出了一种提高查询效率的方法，并在实验证明 Qualifier 可以在多种查询模式下提高查询效果。
Jun, 2021
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
BetaE 是一个可处理不完整的知识图谱中任意一阶逻辑查询的概率嵌入框架，使用带限制支持的概率分布，具有更多的一阶逻辑操作并可以精确建模不确定性，相对于目前仅能处理且合取查询无法处理否定的最前沿知识图推理方法，BetaE 提高了高达 25.4% 的相对性能。
Oct, 2020
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
本文提出了一种基于文本编码的结构模型框架，用于在知识图谱上进行归纳逻辑推理，通过设计渐进式的指令和额外的注意力和 maxout 层来增强结构建模，成功处理了复杂查询的逻辑结构，提高了在归纳和转导数据集上的推理效率。
May, 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