该研究论文介绍了针对新实体预测的归纳知识图谱表示学习 (Inductive KGRL) 方法，在此基础上推出更新版的 NeuralKG-ind 库，其中包括标准化处理、丰富的现有方法、分离模块和全面的评估指标，使研究人员和工程师能够轻松地再现、重新开发和比较归纳 KGRL 方法。

Apr, 2023

TorchKGE 是一个基于 PyTorch 的知识图谱嵌入 Python 模块。它的主要特点是快速的链接预测任务的评估模块，以及各种各样的嵌入模型，具有代码高效性和清晰性，按照 BSD 许可证进行分发。

Sep, 2020

本文介绍了 LambdaKG，一个使用多个预训练语言模型（如 BERT，BART，T5 和 GPT-3）为基础的 KGE 库，为知识图谱完成、问题回答、推荐和知识探测等提供支持，已在公共开源平台上发布，并具有长期维护。

Oct, 2022

这篇论文介绍了一个名为 μKG 的 Python 开源库，用于知识图谱的表示学习，可以支持多源知识图谱的联合表示学习（和单个知识图谱），多个深度学习库（PyTorch 和 TensorFlow2），多种嵌入任务（链接预测，实体对齐，实体类型和多源链接预测）以及多种并行计算模式（多进程和多 GPU 计算），还实现了 26 种常用的知识图谱嵌入模型和 16 个基准数据集的支持，可以广泛应用于各种建模任务。

Jul, 2022

本研究重新设计与实现了 PyKEEN，一个知识图谱嵌入模型 (KGEMs) 的软件库，提供了广泛的交互模型、训练方法、损失函数和反向关系建模，并提供了自动内存优化和超参数优化的功能。

Jul, 2020

KGNN 框架采用 GNN 编码器和知识感知解码器，旨在以细粒度的方式共同探索高阶结构和属性信息，同时在知识图谱中保留关系模式，并在链接预测和三元组分类任务上展示了其有效性和可扩展性。

May, 2022

提出一个基于神经符号学习的 KG 推理模型，通过结合 KG 嵌入和规则学习模块来实现语义关联的增强和解释能力的提高，实验表明这一模型在神经符号学习方面表现优异。

Dec, 2021

知识图谱是一个基于图形的数据结构，用于表示世界的事实，其中节点表示现实世界的实体或抽象概念，边表示实体之间的关系。知识图谱嵌入通过在低维向量空间中表示实体和关系来捕捉它们之间的语义关系。本文讨论了基于翻译和神经网络的嵌入模型，它们根据语义属性、评分函数和架构的不同而有所区别，并进一步讨论了在一些使用深度学习模型和利用社交媒体数据的领域中应用知识图谱。

Apr, 2024

Pykg2vec 是专门用于学习知识图谱中实体和关系的表示的开源 Python 库，采用灵活、模块化的软件架构，实现了 16 种最先进的知识图嵌入算法，并且易于集成新算法。它基于 TensorFlow 和 Python 的多进程框架构建，在批生成、贝叶斯超参数优化、均值排名评估、嵌入和结果可视化方面提供了各种模块。

Jun, 2019

DGL-KE 是一个开源的知识图谱嵌入计算软件包，采用多进程、多 GPU 和分布式并行化等各种创新优化，可以在 8 个 GPU 的 EC2 实例上的 100 分钟内计算出 8600 万节点和 3.38 亿边的知识图谱的嵌入，比其他竞争方法快 2 至 5 倍。

Apr, 2020