知识图谱实体类型（KGET）是一项用于预测知识图谱（KG）中缺失实体类型的任务。我们通过引入多个辅助关系来提高 KG 嵌入方法的表达能力，将相似的实体类型分组以减少辅助关系的数量，并改进不同粒度实体类型模式的建模能力。我们提出了 AsyncET 方法，采用异步学习方案进行实体类型预测，通过交替更新实体和类型嵌入来保持学习到的实体嵌入的最新性和信息性。实验结果表明，所提出的多个辅助关系和异步嵌入学习方法显著改善了 KGE 方法在 KGET 任务上的性能，而且我们的方法在模型大小和时间复杂度方面具有显著优势。

Aug, 2023

本文提出了一种新方法，通过共同利用现有实体类型和知识图谱中的全局三元组知识以及两个嵌入模型，推断知识图谱中缺失的实体类型实例；在真实数据集上实验结果显示，此方法和模型可以有效地提高知识图谱实体分类。

Jul, 2020

本文提出了一种新颖的基于 TypE-aware 信息传递（TEMP）模型，它通过加强查询中的实体和关系表示，并同时提高了概括推理、演绎推理和归纳推理，来利用知识库中关键的语义知识，从而提高现有嵌入式模型的性能。实验结果表明其有效性。

May, 2022

本研究提出了一种基于 Transformer 的实体类型推断方法 (TET)，通过对实体邻居内容的有效编码，利用三种不同机制 (本地 Transformer、全局 Transformer 和上下文 Transformer) 来推断实体的缺失类型，并使用类型的类成员身份信息来语义强化实体的表示。实验表明，相对于现有技术，TET 的性能更卓越。

Oct, 2022

本论文使用几何代数和张量分解提出了一种新的知识图谱表示学习方法 GeomE 和 TGeomE，用于解决深度学习中的时序数据问题。结果表明，该方法在四个常用的静态 KG 数据集和四个知名的时间 KG 数据集上实现了最先进的性能。

Feb, 2022

本文提出了基于复向量空间的实体嵌入旋转方法 TeRo 用于处理包含时间信息的知识图谱（TKG），结合对起止时间进行双重嵌入，解决了现有 KG 嵌入模型的局限性，通过在不同 TKG 数据集上进行实验，TeRo 在链接预测方面表现出优异性能，同时分析了时间粒度对于链接预测的作用。

Oct, 2020

本文研究了基于时间的知识图谱中的联结预测问题，提出一种使用循环神经网络和潜在因式分解相结合的方法，以学习具有时间感知的关系类型表示，以解决现实世界知识图谱中稀疏性和异质性等问题，并在四个时间知识图谱数据集上进行了实验验证。

Sep, 2018

本文提出了一种新颖的 SSET（Semantic and Structure-aware KG Entity Typing）框架，通过结合结构知识和语义知识，以及利用两种模块的推理结果生成鲁棒性较强的类型预测，显著优于现有的最先进方法。

Apr, 2024

提出了一种实体无关表示学习方法，以解决知识图谱嵌入中带来的低效参数存储成本问题。该方法使用较少的参数，在链接预测任务中表现出更好的性能。

Feb, 2023

通过将类型聚类信息有效地融入实体和类型的表示中，Cross-view Optimal Transport（COTET）方法通过多视图生成和编码、交叉视图最优传输和基于汇聚机制的实体类型预测模块，在知识图谱实体类型推理任务中展现出了显著的效果。

May, 2024