本文研究了关于时间知识图谱的推理问题，并提出了一种新的模型 Chronological Rotation embedding 用于学习实体、关系和时间的表示，通过高维度的旋转变换捕捉 Temporail Knowledge Graph 的富有交互性和多关系特征，实验结果表明 ChronoR 能够在时间知识图谱链接预测的基准数据集中胜过大多数最先进的方法。

Mar, 2021

提出了一种名为 SpaceE 的翻译距离 (KGE) 基于线性变换的方法来模拟知识图谱中实体的关系，它可以很好地建模与非注射关系模式， 并且在许多具有非注射关系的数据集中明显优于现有的 KGE 方法。

Apr, 2022

本文提出了一种新的基于转化距离的知识图谱链接预测方法，通过将 RotatE 从二维复杂域扩展到高维空间以及利用两个有向关系的上下文表示方法，有效地提高了难以预测的 N-1、1-N 和 N-N 情形的预测精度。实验结果表明，与基线 RotatE 相比，该方法在两个基准数据集上表现得更好，特别是在连接节点数量较高的数据集（FB15k-237）上。

Nov, 2019

本文提出了一种基于复杂空间中新颖的加权乘积所构建的关系自适应翻译函数的嵌入方法，即 RatE，该方法具有高度的表达能力，可以有效地缓解嵌入歧义问题，并在四个链接预测基准测试中取得了最先进的性能。

Oct, 2020

通过使用矩阵表示实体和使用黎曼优化获得分块对角正交矩阵表示关系，我们引入了一种新颖的知识图谱嵌入模型 OrthogonalE，提高了模型的泛化性和灵活性，显著优于现有最先进的知识图谱嵌入模型，并大幅减少了关系参数的数量。

Jan, 2024

该研究介绍了一种叫做 3H-TH 的新型模型，可以同时捕捉对称、反对称、倒置、交换组合、非交换组合、层级和多重性等许多关系模式，实验结果表明，在低维空间中，该模型在精度、层级属性和其他关系模式方面优于现有的最先进模型，但在高维空间中表现相似。

May, 2023

本文提出了基于复向量空间的实体嵌入旋转方法 TeRo 用于处理包含时间信息的知识图谱（TKG），结合对起止时间进行双重嵌入，解决了现有 KG 嵌入模型的局限性，通过在不同 TKG 数据集上进行实验，TeRo 在链接预测方面表现出优异性能，同时分析了时间粒度对于链接预测的作用。

Oct, 2020

该研究介绍了一个新的支持可推理传递性关系的知识图谱嵌入模型 Rot-Pro，应用于链接预测任务并取得了最佳效果。

Oct, 2021

本文介绍了知识图谱嵌入的相关研究，提出了一种新的模型 ——TransF，有效地解决了前置模型无法处理的关系问题，并通过基准数据集的链接预测和三元组分类实验，证明了该模型相对于其他前沿模型具有明显的性能提升。

May, 2015

本文提出一种新的知识图谱嵌入模型 ToruE，解决了传统模型 TransE 中由于规范化导致的问题，并在链接预测任务上表现优异。

Nov, 2017