TuckER 是一种基于 Tucker 分解的二元张量表示的线性模型，在标准的链接预测数据集上表现优于其他最先进的模型，并作为更复杂模型的强有力基准，是一种完全表达模型，可以作为先前引入的一些线性模型的特例来看待。

Jan, 2019

本研究提出了一种基于神经张量网络模型（NTN）的通用数据关系预测方法，通过对给定知识库中的潜在关系进行分析，预测可能存在的新数据关系，初始实体表示使用文本中被无监督学习得到的词向量，该模型准确率可达 75.8%。

Jan, 2013

本文提出一种基于超网络结构的张量分解方法，用于实现知识图谱中链接预测任务，取得了比 ConvE 和所有以前的方法更好的性能表现，同时能够作为张量分解模型的一种简化（相比较于卷积神经网络方法）而得到推广。

Aug, 2018

本文提出了使用孪生神经网络的基于路径的归纳链接预测模型 SiaILP，仅依赖关系和路径嵌入，可泛化到新实体而无需微调，实验证明该模型在归纳版本的 WN18RR、FB15k-237 和 Nell995 的链接预测任务中取得了多个最新的最优性能。

Dec, 2023

本论文描述了 USTC_NELSLIP 系统，在 2016 年 TAC 知识库填充 (KBP) 竞赛中提交的 Trilingual Entity Detection and Linking (EDL) 赛道，使用了两种方法进行实体发现和提及检测 (即使用 条件 RNNLM 和基于注意力的编码器解码器框架)，将实体链接 (EL) 系统分为两个模块：基于规则的候选生成和神经网络概率排名模型。此外，还使用一些简单的字符串匹配规则进行 NIL 聚类，在结束时，我们的最佳系统在整个类型提及 CEAF 加度量中取得了 0.624 的 F1 值。

Nov, 2016

本文提出了三种知识图谱表征模型，分别是 HypER、TuckER 和 MuRP，它们都能够自动预测缺失的关系，并且在性能方面不断取得进步。同时，该文还将最新的理论研究成果推广到了知识图谱的领域，探讨了如何在这些模型中编码不同种类的关系。

Jan, 2022

该研究提出了一种基于广义 EM 方法的 RNNNTP 方法，通过将其分为关系生成器和预测器，训练出同时具有高效性和可解释性的模型，实现了知识图谱的链接预测任务，并在性能上表现出与传统方法和当前强竞争方法相当的结果。

Mar, 2022

答疑不完整的知识图谱上的复杂逻辑查询是一个基础且具有挑战性的任务，本文通过构建基于类型的实体关系图来发现实体和关系之间的潜在关系，并引入了一种自适应学习机制来有效地将类型信息与复杂逻辑查询结合，通过反向传播训练达到神经链接预测器的自适应调整，实现了复杂查询回答过程中的训练，达到了良好的泛化性能和鲁棒性。

Jan, 2024

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

本论文提出了一种新的神经网络方法，利用动态图表达用户 - 物品关系的演变，以更好地解决基于链接预测的推荐服务问题，实验证明在用户 - 物品关系随时间变化的场景中，该方法可以获得更好的预测结果，同时揭示了现有方法在面对这种变化时的严重影响。

Nov, 2018