本文介绍了一种使用神经网络来处理知识图谱上的多跳逻辑查询的方法，并展示了实验室中的卓越性能，该方法可以处理包括否定查询在内的全一阶逻辑查询。
Sep, 2022
提出了一种神经符号交织的（ENeSy）复杂查询答案框架，该框架能够在神经和符号推理结果的基础上分别回答和集成查询，通过压缩和整合基本运算符和链接预测提高了复杂查询的效果，并应用于多项基准测试。
FuzzQE 采用模糊逻辑定义逻辑运算符，利用模糊的查询嵌入框架回答在知识图上的存在量化查询，比现有技术提供更好的性能。
Aug, 2021
我们提出了一个用于回答不完整知识图谱上任意合取查询的框架，该方法通过无限树状查询的系列来近似循环查询，并利用现有模型进行近似处理。经验证明，我们的近似策略取得了有竞争力的结果，并且包含存在量词变量的查询倾向于改善这些模型的整体性能，无论是对树状查询还是对我们的近似策略。
Oct, 2023
研究使用图神经网络的归纳节点和关系结构表征方法对知识图谱中的新实体进行逻辑推理的方法，并实验发现归纳模型能够在推理时间内对未见节点进行推理，同时可以推广至训练天数 500％大的图表，表现出较高效率和效果平衡的特点。
Oct, 2022
本文介绍了如何利用 Graph Neural Networks 来嵌入和回答超关系连接查询，以处理新型复杂查询，同时提出了一种提高查询效率的方法，并在实验证明 Qualifier 可以在多种查询模式下提高查询效果。
Jun, 2021
本文从逻辑表达式的角度对图神经网络进行了理论分析，实验结果验证了我们提出的实体标记方法的有效性，并揭示了基于标记技巧的最先进的方法为什么很有效。
Mar, 2023
本文提出了一种基于神经链接预测器的框架，用于在含有缺失边的知识图谱上高效地回答复杂查询，并分别分析了梯度下降和组合搜索两种最优化问题的解决方案。通过使用数个数量级较少的训练数据，相对于先前的方法获得了更高的交叉验证效果，在多个包含事实信息的知识图谱中，提高了 8% 到 40% 的 Hits@3 指标，并可以解释模型的结果。
Nov, 2020
本文提出了一种新的 n 元查询嵌入模型（NQE）用于超关系知识图上的复杂查询答案，包括存在量化器、合取、析取和否定，并提出一种新的 CQA 数据集（WD50K-NFOL），实验证明其是超关系知识图上最先进的 CQA 方法。
Nov, 2022
该研究提出了一种新模型 QA-GNN，通过关联系统知识图和语言模型，实现对问题与答案之间的共同推理，并取得了在常识和生物医学领域 QA 测试中优于现有模型的表现。
Apr, 2021