本文介绍了知识图谱嵌入的相关研究，提出了一种新的模型 ——TransF，有效地解决了前置模型无法处理的关系问题，并通过基准数据集的链接预测和三元组分类实验，证明了该模型相对于其他前沿模型具有明显的性能提升。

May, 2015

TransF 是一种新型的基于翻译的方法，可用于对知识图谱进行嵌入学习和关系预测，在处理具有数千种关系的复杂知识图谱时，具有高效性和鲁棒性，比现有的方法表现更好。

Jan, 2018

本文提出了一种用于知识图谱补全的基于翻译的方法，即 TransERR。TransERR 在超复值空间中编码知识图谱，在挖掘头实体和尾实体之间的潜在信息方面具有更高的翻译自由度，并通过相应的可学习的单位四元数来自适应地旋转头实体和尾实体，以进一步减小翻译距离。实验验证了 TransERR 的有效性和泛化能力，结果表明 TransERR 可以比以前的基于翻译的模型更好地编码大规模数据集，并使用更少的参数。

Jun, 2023

本论文提出了一种新颖的基于转移的知识图谱嵌入方法 TranS，使用合成的关系表示法代替传统评分模式中的单一关系向量，以有效和高效地解决相同实体对具有不同关系的复杂情况，实验结果表明，该模型在 ogbl-wikikg2 上实现了最先进的表现。

Apr, 2022

TripleRE 是一种新的知识图谱嵌入方法，其创新性地将关系向量分为三部分并利用残差概念实现更好的性能。此外，使用 NodePiece 对实体进行编码取得了良好的效果，缩小了参数大小并解决了可扩展性的问题，实验表明我们的方法达到了大规模知识图谱数据集的最先进水平，且在其他数据集上也有竞争力。

Sep, 2022

该研究介绍了一种叫做 3H-TH 的新型模型，可以同时捕捉对称、反对称、倒置、交换组合、非交换组合、层级和多重性等许多关系模式，实验结果表明，在低维空间中，该模型在精度、层级属性和其他关系模式方面优于现有的最先进模型，但在高维空间中表现相似。

May, 2023

本文提出了一种基于边的嵌入模型 TransEdge，通过上下文化的方式对知识图谱中的关系进行表示，取得了优秀的性能表现，在基于嵌入的实体对齐方面达到了最好的结果。

Apr, 2020

本文提出一种新的知识图谱嵌入模型 ToruE，解决了传统模型 TransE 中由于规范化导致的问题，并在链接预测任务上表现优异。

Nov, 2017

提出了一种名为 SpaceE 的翻译距离 (KGE) 基于线性变换的方法来模拟知识图谱中实体的关系，它可以很好地建模与非注射关系模式， 并且在许多具有非注射关系的数据集中明显优于现有的 KGE 方法。

Apr, 2022

该论文提出了一种名为 TransA 的知识图谱嵌入方法，通过局部自适应方法确定不同知识图谱上的最优损失函数来提高嵌入相关应用的性能，针对两个基准数据集的实验结果表明该方法具有超过现有方法的优越性。

Dec, 2015