TuckER 是一种基于 Tucker 分解的二元张量表示的线性模型，在标准的链接预测数据集上表现优于其他最先进的模型，并作为更复杂模型的强有力基准，是一种完全表达模型，可以作为先前引入的一些线性模型的特例来看待。

Jan, 2019

本文提出了一种关系主题模型，可以用于文档网络的摘要、链接预测和内部词汇预测等方面，并基于变分方法构建了高效的推断和估计算法。

Sep, 2009

提出一种基于四阶张量的正则化算法和 ComplEx 扩展，针对具有时间限制的链接预测问题，如 (US，has president，？，2012)，并提出了一个大于之前基准的知识库完成的新数据集，用于评估时态和不时态链接预测方法。

Apr, 2020

本文提出了三种知识图谱表征模型，分别是 HypER、TuckER 和 MuRP，它们都能够自动预测缺失的关系，并且在性能方面不断取得进步。同时，该文还将最新的理论研究成果推广到了知识图谱的领域，探讨了如何在这些模型中编码不同种类的关系。

Jan, 2022

本文介绍一种基于 Tucker 分解和张量环分解 TE 的通用模型 GETD，该模型可以广义地将张量分解应用到 n 元关系 KBs 中，实现了深入学习各种关系，理论上足够表征任何形式的 KBs，实现在知识库的不同数据集上击败目前已有的最先进技术。

Jul, 2020

本研究基于 Meta Relational Learning 框架，针对在知识图谱上进行少样本关系预测的挑战，通过转移关系特异的元信息来实现优化学习，最终在少样本关系预测基准测试中取得了最先进的成果。

Sep, 2019

通过三个扩展来改进 RTMs 模型，扩大模型表达性和处理不平衡网络结构的能力，实现更加精准的推理和主题发现.

Oct, 2013

本文基于 Kronecker 分解技术提出了一种方法来减少知识图嵌入模型中的参数数量，拥有更好的参数效率、特征重用和对输入噪声的鲁棒性，在基准数据集上进行了一系列实验表明其有效性。

May, 2022

本研究提出使用分层 Tucker 分解压缩循环神经网络，提高了其表示能力且相比于 TT-LSTM、TR-LSTM、BT-LSTM 等现有压缩模型，在不同数据集上同时实现了压缩比和测试准确度的显著提升。

May, 2020

TACO 是一种基于子图的新型方法，通过建模与拓扑结构高度相关的关系之间的语义相关性，将图级特征和边级交互相结合，以同时进行推理的方式，在归纳链接预测任务中实现了卓越的性能。

Sep, 2023