Jan, 2022
学习实体和关系的表征
Learning Representations of Entities and Relations
TL;DR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。
Abstract
Encoding facts as representations of entities and binary relationships between them, as learned by knowledge graph representation models, is useful for various tasks, including predicting new facts, question answering, fact checking and information retrieval. The focus of this thesis i
发现论文，激发创造
超网络知识图谱嵌入
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
知识超图：超越二元关系的预测
本文提出了两种基于嵌入的方法 HSimplE 和 HypE，直接处理知识超图中的关系， 以解决链接预测问题，此外还开发了公共数据集、基准测试并进行了实验，证明所提出的模型比基准测试更 effective。
Jun, 2019
在知识图谱中学习基于注意力机制的嵌入向量以预测关系
该研究论文提出了基于注意力机制的特征嵌入方法，能有效地捕捉到三元组周边复杂和隐式的信息，并在多个数据集上相对于现有方法实现了显著的性能提升。
Jun, 2019
多模式学习基于注意力机制的知识图谱关系预测
本文提出了一种基于注意力机制、利用传递路径信息和局部语义的多模式嵌入模型（ÆMP），用于学习知识图谱中实体和关系的语境化表示，并在多个知识图谱基准上获得了大幅度的预测性能提升。
Jun, 2022
在超复数空间中融合知识图谱嵌入和预训练语言模型
该论文提出了一种结合超复数代数的模型，通过将结构性和文本性知识统一表示为四种模态的向量，其中包括结构性知识图嵌入、单词级表示法、句子级表示法和文档级表示法，以增强链接预测任务的性能。
Aug, 2022
基于卷积的知识图谱嵌入的多关系建模
本研究提出了一种利用卷积神经网络和注意力机制解决多关系表示学习中多重关系语义连接问题的模型ConvMR，我们使用FB15k-237和WN18RR数据集进行实验，结果表明该模型能够显著提高平均Rank和处理不常见实体的效率。
Oct, 2022
针对超关系知识图谱的嵌入缩减
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