本文提出了一种称为 RotatE 的新型知识图谱嵌入方法，它能够模拟和推断各种关系模式，包括对称性 / 反对称性、倒置和组合，并使用一种新颖的自对抗负采样技术有效地训练模型，实验证明它不仅可扩展性好，而且还能够显着地优于现有的最先进模型用于链接预测。

Feb, 2019

本文提出了一种基于预训练知识图谱嵌入的三元组表示微调方法，利用 Siamese 网络训练，从而在三元组分类和聚类任务中实现了与其他最新技术相比的一致性改进。

Aug, 2022

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

本文介绍了我们在 WSDM Cup 2017 的三元组评分任务中所采用的方法，该方法采用了多个神经网络分类器的输出，并使用监督式机器学习模型进行了组合。实验结果表明，我们提出的方法在三项指标中的一项（即 Kendall's tau）取得了最佳性能，并在其他两个指标（即准确度和平均分差）上表现出了竞争力。

Mar, 2017

本文介绍了一个大规模、有挑战性的数据集，以促进知识图谱到文本分类的实际场景研究，同时提出了一种多图结构和聚合方法，以更全面地代表原始图信息，并成功解决信息丢失和参数爆炸的问题。

Apr, 2020

本文提出了一种新的基于转化距离的知识图谱链接预测方法，通过将 RotatE 从二维复杂域扩展到高维空间以及利用两个有向关系的上下文表示方法，有效地提高了难以预测的 N-1、1-N 和 N-N 情形的预测精度。实验结果表明，与基线 RotatE 相比，该方法在两个基准数据集上表现得更好，特别是在连接节点数量较高的数据集（FB15k-237）上。

Nov, 2019

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

本文介绍一种利用三元组损失和变种 kNN 方法，以及基于音韵相似性的三元组挖掘方法相结合的表示学习技术，显著提高卷积网络的分类准确率，特别在语音识别领域中。作者还在 Google 语音命令数据集 V1 和 V2 中刷新最佳 SOTA 并超过 50% 的准确率提升。

Jan, 2021

该研究论文介绍了知识图谱在信息抽取方法中的应用，探讨了表示学习和图神经网络在知识图谱完成中的作用，以及如何利用知识图谱在下游任务中预测缺失的链接。

Aug, 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