该文综述了利用知识表示与推理方法在强化学习中更抽象表现和更有效学习的领域中取得的进展和应用，并讨论了未来在此领域中需要解决的挑战和可能的方向。

Apr, 2023

本文介绍了一个框架，它使用多个聚合器从 base triple 和 qualifiers 两个角度来学习超关系事实的表示，并证明了其在多个数据集上进行超关系知识图完整性的有效性。

Aug, 2022

利用对话历史和自然语言交互，通过知识增强的实体表示学习框架（KERL）来改善对话型推荐系统的语义理解和推荐效果。

Dec, 2023

大语言模型（LLMs）与知识表示学习（KRL）的整合标志着人工智能领域的重要进展，增强了捕捉和利用复杂知识结构的能力，这种协同作用利用了 LLMs 的高级语言和语境理解能力，提高了 KRL 的准确性、适应性和有效性，从而扩大了其应用和潜力。尽管越来越多的研究关注将 LLMs 嵌入知识表示领域，但对这些增强模型的基本组件和过程的全面回顾明显缺失。我们的调查通过对这些模型进行基于三种不同 Transformer 架构的分类，并分析来自各种 KRL 下游任务的实验数据，评估每种方法的优点和缺点。最后，我们确定并探索这个新兴但未充分开发的领域的潜在未来研究方向，提出了持续进展的路径。

Jul, 2024

本文提出了一种统一的参考知识链接模型 (Universal Referential Knowledge Linking, URL)，通过 LLM 驱动的任务指导表示压缩和多视角学习方法，有效地将 LLM 的指令跟随和语义理解能力应用于参考知识链接，以解决多样化的参考知识链接任务。实验结果表明，现有方法在面对普适 RKL 时存在挑战，而所提出的框架能够有效地解决不同场景下的任务，从而大幅度优于先前的方法。

Apr, 2024

本文提出了一种名为 IKRL 的图像化知识表示学习模型，利用实体图片提供的视觉丰富的信息作为辅助，经过三元组和图片的双重信息进行知识表示的学习，在知识图谱完成和三元组分类上表现出了优越性。

Sep, 2016

本文提出了一种通过层次强化学习来学习知识增强语言表示的方法，该方法集成了知识图谱中的关系三元组，并通过自监督学习将这些外部数据源整合到语言模型中，以避免注入不准确或不相关的知识，并有效地提升了模型在各种自然语言理解任务上的性能。

Jun, 2024

该论文提出了一种语义表示方法 KSR，通过全局提取多方面并在每个方面中分配特定的类别，从而建立语义相关性，可以用于需要语义分析的应用，例如问答和实体检索。经过广泛的实验表明，该模型明显优于其他最先进的基线。

Aug, 2016

本论文提出一种基于顺序文本的知识表示学习方法，通过循环神经网络、注意力机制等实现对实体语义信息的编码和选取信息量高的语句，以及在三元组分类和链接预测任务中实现了优异的效果。

Sep, 2016

该综述着重探讨如何通过训练深度上下文语言模型，在没有人为限制下更灵活地内部化和表达关系知识，对知识表示策略进行分类，提出了高层次的可扩展分类法，并强调了当前语言模型在知识表示方面的能力与未来的研究方向。

Apr, 2021