本文提出了一种基于消息传递的具有全局关系结构感知能力的图编码器 ReSaE，用于超关系知识图谱的编码，并能够在下游链接预测任务中提供更强的性能。实验证明，ReSaE 在多个链接预测基准上实现了最先进的性能，并分析了不同模型结构对模型性能的影响。

Feb, 2024

该研究提出了一种用于高度关联知识图谱 (HKGs) 补全的方法，该方法引入了两个新修订：一是用轻量级实体 / 关系嵌入处理技术替换计算量大的图神经网络模块以提高计算效率；二是增加一个定向于合格证的辅助训练任务以提高该方法的预测能力，并且该方法在三个基准数据集上的实验中始终优于 STARE，计算效率显著提高。

Apr, 2021

本文提出了一种基于无监督消息传递的复杂知识图谱问答方法，通过识别问题类型，并在图结构中传递置信度分数来进行答案实体的定位和聚合，其在 LC-QuAD 基准测试中表现优于现有方法，具有较高的实现效率和通用性。

Aug, 2019

本文介绍了一个框架，它使用多个聚合器从 base triple 和 qualifiers 两个角度来学习超关系事实的表示，并证明了其在多个数据集上进行超关系知识图完整性的有效性。

Aug, 2022

RDF-star2Vec 是一种专为 RDF-star 图设计的新型知识图嵌入模型，通过引入图遍历技术和结构化跳字模型，能够更好地学习 RDF-star 图中的复杂关系和嵌套结构，并在分类、聚类、实体相关性和 QT 相似性等任务上表现出卓越的性能。

Dec, 2023

提出了一种名为 ShrinkE 的方法，用于在超关系事实上进行知识图谱上的链接预测，成功地捕捉了限制它们泛化能力的限定符单调性、限定符蕴含和限定符相互排斥等关键推理模式。

Jun, 2023

本文提出了一种基于图神经网络对查询进行编码的通用架构，与现有方法相比，该方法可以编码更多种类型的查询。实验结果表明，该模型可以学习到表示实体类型的实体嵌入，并在复杂查询方面表现优异。

Feb, 2020

本文介绍了如何利用 Graph Neural Networks 来嵌入和回答超关系连接查询，以处理新型复杂查询，同时提出了一种提高查询效率的方法，并在实验证明 Qualifier 可以在多种查询模式下提高查询效果。

Jun, 2021

本文介绍了一个名为 NestE 的新型知识图嵌入方法，通过将原子事实表示成一个 1x3 矩阵，将嵌套关系表示成一个 3x3 矩阵，通过矩阵乘法旋转原子事实矩阵，利用广义四维超复数空间（如球面四元数、双曲四元数和分裂四元数）来表示矩阵的每个元素，从而能够捕捉嵌套事实中多样的逻辑模式，超越了一阶逻辑表达式的限制。实验结果表明，NestE 在三元组预测和条件链接预测方面显著优于当前基线模型。

Dec, 2023

本研究提出了一种基于关系消息传递的知识图完成方法，它仅使用边缘特征进行关系预测，该方法在许多知识图数据集上胜过现有的方法，并适用于归纳环境，具有可解释性。

Feb, 2020