探索词语和关系的理论表示
通过提取语料库中词汇的共现模式来实现无监督学习，学习不仅代表个体单词的表示，还明确捕捉代表单词间语义关联的词向量表示，并通过联合权重和二元分类器来描述单词间的语义关系，取得了普遍类比检测三个基准数据集中的显著性优势。
May, 2015
该研究探讨了一种计算模型，即词嵌入模型，通过将词表示为多维空间中的向量，从词汇共现模式中学习来自语义记忆中的常见知识，并提出了语义投影的解决方案，以检验词嵌入模型是否能够恢复多种语义特征和对象属性的上下文依赖关系。
Feb, 2018
本研究提出path2vec，一种学习图嵌入的新方法，它依赖于节点相似性的结构度量，该模型使用一个密集的空间来学习节点的表示，以逼近用户定义的图距离度量，并在语义相似性和词义消歧任务方面表现出色。
Aug, 2018
本文提出了一种利用词典等词汇资源，采用图嵌入和跨语言向量空间转换技术，为未见过的单词诱导嵌入的方法，对多个基准测试进行了优化，表现出一致的性能提升。
Nov, 2018
本文中，我们提出了一种用于编码关系性知识的词嵌入方法，其旨在为已有的标准词嵌入方法提供一种补充。通过从共现统计数据中学习出这种关系性词向量，我们发现它确实捕捉到了非常有用的补充信息。
Jun, 2019
本文介绍一种学习图嵌入的简单、有效方法，通过密集向量表示来近似节点之间的距离，以反映用户定义的图距离度量，避免了直接在图结构上进行操作引起的低效性，证明该方法在语义相似性和词义消歧任务上的表现比其他图嵌入方法更优秀，同时在WordNet和两个知识库图上进行了评估。
Jun, 2019
本文通过借鉴NLP中常用的次词元素处理技术，探索更具参数效率的节点嵌入策略，提出了一种基于锚节点的方法NodePiece，构建了一个定长的子实体单元词汇表，展示了该方法的性能在节点分类、链路预测和关系预测任务中具有竞争力且参数更少。
Jun, 2021
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