知识图谱上的元推理
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
本文研究少样本时间知识图谱推理问题，提出了 MetaTKGR 框架，通过时间监督信号对未来事实进行快速反馈，动态调整采样策略，并提供时间适应正则化器来稳定元时间推理。 在三个真实世界的时间知识图上进行的大量实验证明了 MetaTKGR 相对于最先进的基线模型的卓越性能。
Oct, 2022
本研究基于 Meta Relational Learning 框架，针对在知识图谱上进行少样本关系预测的挑战，通过转移关系特异的元信息来实现优化学习，最终在少样本关系预测基准测试中取得了最先进的成果。
Sep, 2019
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
本研究提出了一种名为 MMKGR 的新型模型，其中包含一种统一的门 - 关注网络和一种补充特征感知的强化学习方法，通过有效的多模态补充特征和多次迭代推理，能够更好地实现知识图谱方面的任务，与现有方法相比推理性能更好。
Sep, 2022
提出了一种利用多模态知识图 (MMKGs) 进行多模态推理的方法 (MR-MKG)，通过利用多模态知识图 (MMKGs) 跨模态地学习丰富的语义知识，显著提高了大型语言模型 (LLMs) 在多模态推理中的能力。通过在仅使用 LLM 参数的 2.25% 进行训练，MR-MKG 在多模态问答和多模态类比推理任务上取得了优越的性能，胜过了之前的最新模型。
Jun, 2024
本文提出了一种新的方法，通过迭代学习来注入规则并学习表示以充分利用规则和嵌入，取得了高效性和可扩展性的良好平衡，并通过两个公共数据集的评估，优于当前最先进方法，提高了均值倒数排名（MRR）2.7％和 4.3％。
Jan, 2023
本研究介绍了基于知识图谱的多模式类比推理任务，并通过构建 Multimodal Analogical Reasoning 数据集和 Multimodal knowledge graph MarKG 进行评估。研究表明，从多模态源获取信息可以带来比单模态源更强大的认知转移，该研究进一步提出了一种基于结构映射理论的新型通用 Transformer 框架（MarT），能够取得更好的性能。
Oct, 2022
本文提出了一种基于元学习方法的知识图谱推荐模型 MetaKG，通过协作感知元学习和知识感知元学习解决了冷启动问题，并通过实验表明 MetaKG 在效果、效率和可扩展性等方面超过现有的模型。
Feb, 2022