本文提出一种基于 (条件) 马尔科夫网络的框架，可以 effectively 地训练 probabilistic relational models，并使用近似概率推断对多个相关对象进行 collective classification，从而解决了先前方法的两个限制：有向模型无法表示许多重要的关系依赖性和难以用于判别式训练。在网页分类任务上的实验证明，建模关系依赖性可以显著提高分类准确性。

Dec, 2012

提出了一种使用可能性逻辑来编码关系模型的统计关系学习方法，该方法相对于马尔可夫逻辑网络更快且产生的模型更容易解释。

May, 2017

本文旨在提出一种适用于具有未知宇宙的模型的语义模型，以实现解耦与特定约束语言，从而实现提升推理和从而使其具有可处理的推理的优势。

Jan, 2020

本文提出了一种高效的基于关联规则的方法，将实体元组嵌入映射到近似布尔空间中，通过从 WordNet 中进行的关联规则挖掘来鼓励关系嵌入上的部分排序，以实现自动化知识库的构建。通过引入少量的常识规则，相较于矩阵分解基准方法，实现平均精度的 2 个百分点的提高，并观察到运行时间几乎没有增加。

Jun, 2016

该研究介绍了两种形式化方法，将相对频率明确地纳入统计关系人工智能中，并提供了两种形式主义在不断扩大的域上诱导的渐近概率分布的表示，这有助于更好地对训练和测试域大小不同的学习问题进行建模和估算参数。

Feb, 2022

基于神经科学中贝叶斯方法对脑功能的启示，我们提出了一个简单的概率推断理论，用于统一描述推理和学习。我们通过符号逻辑中知识的可满足性模拟数据如何引发符号知识的过程，即抽象过程和选择性无知。我们讨论了推理的逻辑后果关系以及基于实验证据的 MNIST 数据集的经验正确性。

Feb, 2024

本文提出了一种基于经验贝叶斯原则的记录链接方法，该方法使用数据的经验分布函数作为潜在实体的先验，同时允许分类和字符串值变量，包括一种新的概率机制，可以使观察记录值与其关联的潜在实体的值偏离。作者将该方法应用于一个德国名字的模拟数据集和一个意大利家庭调查，并表明该方法执行良好。

Sep, 2014

本文研究了潜在的因素模型在多关系知识图谱建模中的应用，通过实验测试和分析这些模型的归纳能力和优缺点，并提出了未来改进的方向。

Sep, 2017

本文提出新的简单聚合器及对现有模型进行的简单修改，并通过实证研究展示这些方法的有效性，从而解决了关系概率模型中聚合的挑战，并为未来的表示奠定了基础。

Jul, 2017

本文介绍一种完全对称的关系模型，它引入了每个实体的无限维潜在变量作为狄利克雷过程模型的一部分，并扩展了中餐馆过程以适用于关系建模。该模型在三个应用中进行评估，并在复杂的关系模型中提供了显着改进的估计关系或实体描述属性的结果。

Jun, 2012