本研究提出了一种利用上下文信息进行知识图谱实体类型推理的新方法，设计了两种推理机制：N2T 和 Agg2T，并提出了一种新的损失函数以减轻训练期间的误测问题。实验证明了该方法的有效性。

Sep, 2021

本文介绍了一种名为多视图对比学习的知识图谱实体类型推断方法，它将聚类提供的粗粒度知识编码到实体和类型嵌入中，并通过多个模块实现结构化信息的编码、不同视角的对比学习以及缺失实体类型的推断。实验证明了该方法相对于现有的最优方法具有较强的性能。

Oct, 2023

本文提出了一个包含 4800 个手工标注的中文语料库，其用于细粒度实体分类。在实验中，我们展示了一些典型细粒度实体分类模型在我们的数据集上的表现，并显示了通过跨语言迁移学习提高中文细粒度实体分类的可能性。

Apr, 2020

本文提出了一种新颖的 SSET（Semantic and Structure-aware KG Entity Typing）框架，通过结合结构知识和语义知识，以及利用两种模块的推理结果生成鲁棒性较强的类型预测，显著优于现有的最先进方法。

Apr, 2024

本文介绍 “CoType”，一个数据驱动的文本分割算法和一种冠以知识库标签的实体及关系识别方法。实验表明，其在不同领域具有 25% 的 F1 得分提高。

Oct, 2016

知识图谱实体类型（KGET）是一项用于预测知识图谱（KG）中缺失实体类型的任务。我们通过引入多个辅助关系来提高 KG 嵌入方法的表达能力，将相似的实体类型分组以减少辅助关系的数量，并改进不同粒度实体类型模式的建模能力。我们提出了 AsyncET 方法，采用异步学习方案进行实体类型预测，通过交替更新实体和类型嵌入来保持学习到的实体嵌入的最新性和信息性。实验结果表明，所提出的多个辅助关系和异步嵌入学习方法显著改善了 KGE 方法在 KGET 任务上的性能，而且我们的方法在模型大小和时间复杂度方面具有显著优势。

Aug, 2023

通过使用超细粒度实体类型数据训练一个具有极广泛类型覆盖的实体类型模型，然后在新设计的细粒度实体类型模式下，通过少量手动标注的样本对先前训练的模型进行微调，我们提出了一种新的方法，能够避免在新类型架构时创建远距离标记数据的需求，并在低样本学习设置下实现出色的细粒度实体类型识别性能。

Dec, 2023

本文提出了一种新方法，通过共同利用现有实体类型和知识图谱中的全局三元组知识以及两个嵌入模型，推断知识图谱中缺失的实体类型实例；在真实数据集上实验结果显示，此方法和模型可以有效地提高知识图谱实体分类。

Jul, 2020

介绍了 TypeNet 数据集，该数据集由 1941 个类型组成，通过人工注释从 1081 个 Freebase 类型映射到 WordNet。本文还探讨了几种与先进系统可比的模型，以及在标准提及类型损失的基础上结合层次结构损失的技术，是未来研究的第一步。

Nov, 2017

OnEFET 是一种无需人工注释的高质量细粒度实体类型方法，通过对本体结构进行信息扩充，并利用训练样本扩充和话题信息的粗到细的分层方法，超越现有的零样本方法，赶上有监督方法。

Oct, 2023