本文介绍了一种基于自动化机器学习技术的自动设计得分函数的方法（AutoSF），该方法能够提高知识图中链接预测和三元组分类的准确性，并且优于目前由人设计的最先进的得分函数。

Apr, 2019

Pykg2vec是专门用于学习知识图谱中实体和关系的表示的开源Python库，采用灵活、模块化的软件架构，实现了16种最先进的知识图嵌入算法，并且易于集成新算法。它基于TensorFlow和Python的多进程框架构建，在批生成、贝叶斯超参数优化、均值排名评估、嵌入和结果可视化方面提供了各种模块。

Jun, 2019

本文提出HyperKG，一个使用超几何空间来更好地反映知识库的拓扑性质，从而提高知识库完成任务性能的模型，并在各种链接预测数据集中验证了该模型的有效性。

Aug, 2019

本文对考虑包括文本、数字、图像等非结构化信息的KG嵌入模型进行了综述和对比，同时在相同条件下对链接预测的不同方法进行了实证评估。

Oct, 2019

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

本研究重新设计与实现了PyKEEN，一个知识图谱嵌入模型 (KGEMs) 的软件库，提供了广泛的交互模型、训练方法、损失函数和反向关系建模，并提供了自动内存优化和超参数优化的功能。

Jul, 2020

NeuralKG是一个开源的Python库，用于知识图谱的多样化表征学习，实现了三种不同系列的知识图嵌入方法，包括传统的KGE、基于图神经网络的KGE和基于规则的KGE，通过实验在基准数据集上成功重现这些方法的链接预测结果，并提供了高度可配置的模块，方便用户自定义设计模型，优化训练方法。

Feb, 2022

通过基于群论的嵌入框架和模结构，提出了一种新的知识图谱嵌入模型ModulE，取得了多个基准数据集上的最先进性能。

Mar, 2022

这篇论文介绍了一个名为μKG的Python开源库，用于知识图谱的表示学习，可以支持多源知识图谱的联合表示学习（和单个知识图谱），多个深度学习库（PyTorch和TensorFlow2），多种嵌入任务（链接预测，实体对齐，实体类型和多源链接预测）以及多种并行计算模式（多进程和多GPU计算），还实现了26种常用的知识图谱嵌入模型和16个基准数据集的支持，可以广泛应用于各种建模任务。

Jul, 2022

本文从数学空间的角度系统性地回顾了当前存在的KGE技术，并介绍了基本的数学空间定义。通过对不同的类别KGE方法的讨论，总结了它们在不同嵌入需求下如何发挥空间优势，并探讨了数学空间在不同场景下的优势和原因。最后，从表示空间的角度提出了一些有前途的研究方向，希望能激发研究人员在设计KGE模型及相关应用时更加考虑其数学空间特性。

Nov, 2022