本文提出了一种基于嵌入模型的一次性关系学习框架，将已有的知识和一跳图结构相结合，来预测在只有一个训练样例的情况下的新事实，并通过实验证明，在新关系预测和嵌入模型训练上，该模型具有巨大的性能优势。

Aug, 2018

本文提出基于 Connection Subgraph Reasoner 的 few-shot knowledge graph completion 方法，通过建模支持三元组和预测三元组之间的共享连接子图，实现直接针对目标 few-shot 任务的预测。而无需事先在人类策划的训练任务集中进行预训练，该方法在真实知识图谱上的实验表明其效果明显优于现有方法。

Oct, 2022

本文介绍了知识图谱（KGs）以及其与关系知识的上下文信息的整合，重点讨论了基于三元组的 KGs 存在的局限性和上下文 KGs 的优势，并提出了 KGR$^3$，一个利用大型语言模型（LLMs）进行 KG 推理的范例，实验证明 KGR$^3$ 显著提高了 KG 补全和 KG 问答任务的性能，验证了将上下文信息整合到 KG 表示和推理中的有效性。

Jun, 2024

本文研究了在元学习范式下，少样本知识图谱推理的挑战和实际问题。提出了一种新的元学习框架，有效利用了本地图邻居和知识图谱中的推理路径等任务特定元信息。在两种少样本知识库补全基准测试中，我们展示了增强的任务特定元编码器比 MAML 更好，优于几个少样本学习基线模型。

Aug, 2019

本文提出了一种元学习式的多跳知识图谱（KG）推理方法（Meta-KGR），适用于少样本关系中的查询回答（QA）任务，通过学习适应于不同关系的元参数，提高模型的推理能力，实验表明，在 Freebase 和 NELL 数据集上，Meta-KGR 在少样本场景下优于现有技术方法。

Aug, 2019

Few-shot Knowledge Graph Relational Reasoning has become increasingly important in natural language processing applications, and SAFER presents a novel approach to effectively adapt contextualized graph information to perform prediction, demonstrating its superiority in experimental results.

Jun, 2024

本篇论文提出了一种神经符号推理器，可以处理大规模的动态常识知识图谱，通过学习逻辑规则，提供可解释性的预测，并在 CKGs 的链接预测任务上表现优于现有的技术。

May, 2021

本文提出一种针对时间知识图谱的 few-shot learning 模型，通过时间关系建模，实现了在单样本情况下，对时间知识图谱进行关系预测

May, 2022

通过构建自然语言处理任务中的大型语言模型，研究了知识推理的细节和方法，并提出了一个全面的知识推理框架 Chain-of-Knowledge（CoK），通过基于知识图的规则挖掘生成数据集，并结合人类知识探索过程的试错机制来提高模型学习的效果。实验证明，CoK 不仅在知识推理上，还在一般推理基准中具有优异的效果。

Jun, 2024

本文提出了一种新颖的关系结构，即关系有向图，用于捕捉知识图中的局部证据，并提出了 RED-GNN 来有效处理该结构，并证明其在归纳和传递推理任务中的有效性和效率。

Aug, 2021