本篇论文描述了一种名为 AutoWeird 的奇怪评分函数，其只使用三元组中的尾实体和关系来计算其可信度得分，并且在 ogbl-wikikg2 数据集上取得了排名第一的性能，这可能源于不恰当的评估和集中的尾实体分布。

Jul, 2022

本文提出了一种使用 AutoML 技术设计特定于数据的 CF 模型的新框架，其中关键是将 SOTA CF 方法统一为输入编码、嵌入函数、交互函数和预测函数的不相交阶段，以及使用随机搜索和性能预测器的易于使用、强大且高效的搜索策略。在五个真实数据集上的广泛实验表明，我们的方法可以在各种 CF 任务上始终优于 SOTA 方法，搜索到的 CF 模型还可以为探索更有效的方法提供启示。

Jun, 2021

本研究提出了一种基于 groupwise scoring functions (GSFs) 的多元评分函数框架以改进排序学习，通过深度神经网络学习并在大规模商业邮箱数据集和公开基准数据集中得到了显著的性能提升。

Nov, 2018

本研究提出了一种基于语义驱动的链接预测中的三种主要损失函数的版本，通过将关系域和范围的背景知识注入损失函数，不同地对待负三元组的分数，扩展了传统方法。在三个公共基准 KG 上进行了广泛的实验，结果表明，所提出的损失函数系统地提供了令人满意的结果，向更好的语义意识驱动了 KGEMs，这凸显了语义信息在 KGEMs 中的全局改进，可以应用于不同的 KGs。

Mar, 2023

本文综述了知识图谱完成中的当前研究状态，特别关注了知识图谱嵌入设计的两个主要分支：基于距离的方法和基于语义匹配的方法，并探讨了与最近提出的模型之间的关联及其背后的趋势，最后讨论了利用预训练语言模型和实体关系的文本描述相结合进行知识图谱完成的新方法。

Sep, 2023

本文介绍了自动化构建特定查询的文档和实体知识图谱（KGs）以及使用排名系统获取相关文件和实体之间的关系的方法，重点关注代码数据集，此外，提到了使用实体反馈技术来改善文档排名效果、适应性 KG 检索算法和基于图神经网络（GNN）的加权方法等未来的研究方向和挑战。

Nov, 2022

利用知识图谱中概念语义信息的交叉表示学习框架 CrossVal，通过嵌入三元组、绘制交叉负样本及估计每个三元组的正确性程度来有效验证知识图谱中的三元组。

Aug, 2020

本文提出了一种基于数值偏差度量的方法，用于识别和暴露知识图谱嵌入中存在的偏见，并在职业预测任务中展示了三种不同的偏见度量，从而弥补了目前文献中手动指定偏差关系的缺陷，以支持更明智的决策。

Sep, 2021

本文提出了一种利用预训练的 transformer 语言模型来执行学术知识图谱补全的方法 ——exBERT，并在三个学术知识图谱完成数据集上表现优异，还提供了两个学术数据集作为资源。

Nov, 2021

该研究比较短缺实际的现有图谱的 16 种最新方法的有效性和效率，并考虑到一种基于规则的基线，提出了具有可扩展性的维度以评估嵌入 LP 方法的介绍。

Feb, 2020