研究表明知识图谱嵌入方法存在概率校准问题，提出了一种在无真负例的情况下使用 Platt 校准和保序回归的方法。实验结果表明，该方法相对于未校准的方法具有明显的性能提升，达到了同等质量校准方法的最新水平。同时，该方法还能够避免定义特定关系的决策阈值，具有一定的推广价值。

Dec, 2019

本文提出了一种新颖的不确定性知识图谱嵌入模型 UKGE，其目的是在嵌入空间中保留结构和不确定性信息，该模型通过学习不确定关系事实的置信度得出嵌入，并引入概率软逻辑来推断训练期间未见关系事实的置信度，实验表明 UKGE 在不确定知识的捕捉上非常有效，并在置信度预测，关系事实排名和关系事实分类等任务中表现出色。

Nov, 2018

本论文中提出了一种能量量化知识图谱三元组语义正确性和表达事实的真实程度的知识图谱三元组可信度测量模型，通过交叉神经网络结构融合三个层面（实体级、关系级和 KG 全局级）的内部语义信息和全局推理信息来实现可信度测量和融合，并在真实数据集 FB15K 上进行了实验，结果表明与其他模型相比，我们的模型实现了显着和一致的改进。

Sep, 2018

本文研究了在更现实的开放世界假设下，知识图谱补全模型的评估，指出在测试时采用的指标可能会不正确反映模型的表现，因为未知的三元组可能包含许多缺失的事实，不在训练或测试集中，因此建议对数据进行更多的探索和量化分析以改进现有的评估方法。

Sep, 2022

本文研究使用嵌入模型进行知识图谱完成和链接预测的问题，发现这些模型在去除不现实的三元组数据后的精度远低于预期，呼吁重新探索有效的方法。

Mar, 2020

KGEx 是一种新颖的后处理方法，通过借鉴替代模型研究来解释知识图嵌入（KGE）中的个别链接预测，并通过训练替代 KGE 模型识别重要的训练三元组，从而提供对于黑盒模型忠实的解释。

Oct, 2023

提出了一种新颖的嵌入式知识图谱完整模型扩展，使其能够执行开放世界链接预测，该模型结合从文字语料库中学习的词嵌入和从知识图谱中学习的常规链接预测模型，通过独立训练这两个模型并进行变换，将实体名称和描述的嵌入映射到基于图的嵌入空间中，实验结果表明我们的方法在多个数据集上都取得了有竞争力的效果且无需对图和文本进行联合训练。

Jun, 2019

通过新任务 CFKGR，本文将知识图嵌入（KGEs）与反事实推理关联起来，通过逻辑规则从知识图推断出合理的变化，建立了相应的基准数据集，并开发了 COULDD 方法来适应假设前提。结果表明，KGEs 可以学习图中的模式，与 COULDD 相结合能够检测到沿用这些模式的合理反事实变化，但对不符合学习推理规则的变化无法识别。

Mar, 2024

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

该研究比较短缺实际的现有图谱的 16 种最新方法的有效性和效率，并考虑到一种基于规则的基线，提出了具有可扩展性的维度以评估嵌入 LP 方法的介绍。

Feb, 2020