使用最新的大型语言模型和生成式人工智能技术，在常见基准数据集上使用我们提出的方法，能够将数据去重的准确率从使用自然语言处理技术的 30% 提高到近 60%。
Jun, 2024
提出了一种轻量级分布式知识图谱完成架构，采用知识图谱嵌入进行数据分析，通过人员数据质量评估方法 PDQA 过滤低质量数据，并提出了一种模型修剪算法，大大减小模型大小并实现轻量级部署。通过实验，我们与其他 11 种先进模型进行了比较，结果表明 RotatE 模型在知识图谱完成方面表现优秀，经过修剪的模型大小减小了 70％，hits@10 达到了 86.97％。
Jan, 2024
本文提出了一个实用的知识图谱策划框架，包括度量质量、验证和清理任务、查重和融合策略，旨在优化知识图谱质量。
Aug, 2022
该研究提出了一种名为 QDup 的工具，它可以无需受监督的数据，利用统计和神经方法结合的无监督流程，从一个大型题目库中获取近似重复和语义相关的问题，并且在高准确率和速度下为学习者提供相关练习题。
Dec, 2022
本文介绍了基于嵌入式知识图谱网络的知识库完成方法，通过使用端到端反向传播训练，可以将大型知识库压缩成优化的版本，并在知识库完成基准测试中取得了最新的最佳结果。
Nov, 2016
该论文介绍了使用法律知识图谱构建的案例图采用预测相似节点来解决节点相似性选择节点类型和特征的挑战等问题，并提出了一种解决方案。
Jul, 2021
该研究论文介绍了知识图谱在信息抽取方法中的应用，探讨了表示学习和图神经网络在知识图谱完成中的作用，以及如何利用知识图谱在下游任务中预测缺失的链接。
讨论了机器学习在知识图谱上的应用以及实验评估了一种适用于工业系统的异常活动评分方法。该方法经过无监督训练后，能够在各种场景下生成直观易懂、可解释的警报，为利用知识图谱的关系式机器学习在入侵检测方面带来潜在的好处。
May, 2021
通过 ODKE，我们介绍了一个可扩展的框架，用于从开放网络规模化地获取高质量的实体和事实，并分享在构建和部署行业级开放领域知识图谱时所学到的经验教训。
Oct, 2023
通过将知识图谱嵌入的数据驱动能力与领域专家或包含 OWL2 的蕴涵方案等领域特定推理松散地耦合，我们不仅能够提高预测精度，而且还允许用户插入自己的知识图谱嵌入和推理方法。我们的初步结果表明，我们的方法将基准知识图嵌入的平均倒数排名（MRR）精度提高了最高 3 倍，并且超过了将知识图嵌入与规则挖掘和推理相结合的混合解决方案高达 3.5 倍 MRR。
Feb, 2022