提出了一种上下文感知的动态知识图谱嵌入方法 (DKGE)，该方法利用两个有注意力机制的图卷积网络、一种门控策略和翻译操作，通过双重表示 (知识嵌入和上下文元素嵌入) 联合模型化实体和关系及其环境，以快速获取更新的知识图谱嵌入，同时支持从头开始的知识图谱嵌入。实验证明 DKGE 在动态环境下具有良好的有效性和效率。

Oct, 2019

本文提出了一种名为 Coke 的新型框架，它可以动态地选择上下文知识和嵌入知识上下文，以用于 PLMs，该框架可避免无法匹配输入文本的冗余和模糊知识的影响，实验结果表明，Coke 比各种基线模型在典型的知识驱动 NLP 任务上表现更好，并且能以更可解释的形式描述文本相关知识的语义。

Sep, 2020

本文提出了一种名为 CKG 的动态表示方法，利用外部知识图谱中的实体信息来提高语言句子的正确语义，实验表明，CKG 在多项任务中达到了最优结果。

Dec, 2022

本文提出了一个名为 LightCAKE 的轻量级框架，该框架通过迭代聚合策略将图谱上下文信息集成到实体 / 关系嵌入中，以实现上下文感知知识图嵌入。实验表明，该框架在许多简单 KGE 模型的基础上能够实现卓越的结果。

Feb, 2021

本文提出了一种称为 CoLE 的 Co - 蒸馏学习方法用于知识图谱嵌入，并在基准数据集上的实验表明，该方法优于现有的嵌入模型，提高了知识图谱嵌入的最新技术水平。

Aug, 2022

知识图谱嵌入（Knowledge graph embedding，KGE）通过将知识图谱（knowledge graph，KG）中的实体和关系表示为连续向量空间，可以用于预测缺失的三元组，实现知识图谱补全。然而，KGE 模型通常只能简要地学习三元组数据的结构关联，并且在真实世界的知识图谱中会被无关的模式和噪声链接误导。为了解决这个问题，我们在因果关系和嵌入解缠方面构建了一种新的 KGE 范式。我们进一步提出了一种因果增强的知识图谱嵌入（CausE）框架。CausE 应用因果干预来估计混杂嵌入的因果效应，并设计了新的训练目标来进行稳定的预测。实验结果表明，CausE 能够胜过基线模型，实现最先进的知识图谱补全性能。我们在指定的 URL 中发布了我们的代码。

Jul, 2023

本文提出的 CoLAKE 是一种基于预训练语言模型的的语言和知识情境化嵌入方法，可以提取一个实体的知识上下文并将其整合到一个统一的数据结构中，在知识驱动的任务、知识探测任务和语言理解任务中表现出优良性能。

Oct, 2020

本文介绍了一种采用上下文字典查找的新方法，利用传统的嵌入模型以端到端方式学习关系的细粒度语义，从而解决了知识图谱完成中的语义问题，并在多个基准数据集上获得了显着的性能提高。

Jun, 2023

该研究提出了一种新的知识图谱嵌入模型 ——HAKE，该模型采用极坐标系将实体映射到不同的层次，以模拟语义层次结构，从而在链接预测任务上实现了显著的性能提升。

Nov, 2019

提出了一种名为 AggrE 的模型，该模型通过对实体和关系的上下文进行多跳的高效聚合，学习增强上下文的实体和关系嵌入，以完成知识图的补全。实验结果表明，AggrE 模型竞争力强。

Dec, 2020