本文提出了一个名为 LightCAKE 的轻量级框架，该框架通过迭代聚合策略将图谱上下文信息集成到实体 / 关系嵌入中，以实现上下文感知知识图嵌入。实验表明，该框架在许多简单 KGE 模型的基础上能够实现卓越的结果。

Feb, 2021

本研究通过对少样本知识图谱自动补全任务的学习方法、任务应用、以及未来研究领域的调查和总结，提出了一种使用图形表示学习和少样本学习优势的 FKGC 方法，以期解决常规 KG 和 CKG 补全任务中长尾关系及新关系的问题，并在不同领域的预测任务中应用 FKGC 模型。

Jan, 2023

本论文提出了一种名为 InductivE 的学习框架，旨在解决 Commonsense Knowledge Graph（CKG）完成中可能出现的未见过实体的问题，该框架直接从原始实体属性 / 文本计算实体嵌入，并由一个自由文本编码器、一个图编码器和一个 KG 完成解码器组成。实验证明，InductivE 在 ATOMIC 和 ConceptNet 基准测试中都显著优于现有基线方法。

Sep, 2020

知识图谱嵌入（Knowledge graph embedding，KGE）通过将知识图谱（knowledge graph，KG）中的实体和关系表示为连续向量空间，可以用于预测缺失的三元组，实现知识图谱补全。然而，KGE 模型通常只能简要地学习三元组数据的结构关联，并且在真实世界的知识图谱中会被无关的模式和噪声链接误导。为了解决这个问题，我们在因果关系和嵌入解缠方面构建了一种新的 KGE 范式。我们进一步提出了一种因果增强的知识图谱嵌入（CausE）框架。CausE 应用因果干预来估计混杂嵌入的因果效应，并设计了新的训练目标来进行稳定的预测。实验结果表明，CausE 能够胜过基线模型，实现最先进的知识图谱补全性能。我们在指定的 URL 中发布了我们的代码。

Jul, 2023

本文基于一种时间知识图谱，提出了一种同时兼顾事件因果关系和时序性的逻辑和常识指导嵌入模型（LCGE），可充分考虑事件间的同时性和时序性，并且在常识知识的基础上，通过规则引导建立谓词嵌入标准化策略，从而提高了事件预测的准确率，并且具有可解释性。

Nov, 2022

该研究提出了一种基于知识图谱的语义推理框架，以解决常识性问题，并通过引入 KagNet 模型和 ConceptNet 外部资源，取得了在常识 QA 数据集上的最佳表现。

Sep, 2019

通过新任务 CFKGR，本文将知识图嵌入（KGEs）与反事实推理关联起来，通过逻辑规则从知识图推断出合理的变化，建立了相应的基准数据集，并开发了 COULDD 方法来适应假设前提。结果表明，KGEs 可以学习图中的模式，与 COULDD 相结合能够检测到沿用这些模式的合理反事实变化，但对不符合学习推理规则的变化无法识别。

Mar, 2024

本文提出一种基于上下文感知的图注意力模型 (Context-aware GAT)，可以在知识聚合流程中有效地整合相关知识图的全局特征，并且优于传统基于图神经网络 (GNNs) 的语言框架。

May, 2023

本论文研究如何更好地表示常识知识，提出了一种概率逻辑表示方案和一种层次化概念本体论，能够更灵活地表示信念，并在神经符号应用中使用。通过专家注释和群众众包，将这个框架扩展到 PrimeNet 知识库，并展示其在更易解释的语义解析和问题回答中的应用。

Nov, 2022

本文介绍了一种采用上下文字典查找的新方法，利用传统的嵌入模型以端到端方式学习关系的细粒度语义，从而解决了知识图谱完成中的语义问题，并在多个基准数据集上获得了显着的性能提高。

Jun, 2023