本文提出了一种基于强化学习的多跳关系路径学习框架，利用知识图谱嵌入、采样方式和奖励函数提高路径推理的精度、多样性和效率，并在 Freebase 和 Never-Ending Language Learning 数据集上展示了其优异性能。

Jul, 2017

本论文探讨了一种简单的方法，使用知识库完成模型（KBC）和学习的嵌入向量，自动构建和排序源实体和目标实体对之间的路径。我们使用获取的生物医学科学文献挖掘了一个知识图，并提取了一组高频路径用于验证。实验结果表明，我们的方法能够有效地排列实体对之间的已知路径，并提出了未在知识图中存在的合理路径。对于给定的实体对，我们能够在排名前 10 的路径中 60% 的时间内重构出排名最高的路径，并达到 49％的平均精度。由于任何能够产生实体向量表示的 KBC 模型都可以使用，因此我们的方法具有组合性

Nov, 2019

本文介绍了关系路径覆盖和关系路径置信度的概念，以在模型训练之前过滤出不可靠的路径，提升模型性能，并提出了知识推理句子变换器（KRST）来预测 KG 中的归纳关系。我们在三个真实世界数据集上进行了广泛的实验，实验结果表明，与 SOTA 模型相比，KRST 在大多数传导和归纳测试用例（6 个中的 4 个）和 12 个 few-shot 测试用例中的 11 个中实现了最佳性能。

Jan, 2023

本文提出了利用知识图谱的路径循环神经网络模型（Knowledge-aware Path Recurrent Network），该模型可以通过组合实体和关系的语义生成路径表示，并利用路径内的序列依赖关系有效地推理用户 - 物品交互的基本原因。通过设计一种新的加权汇集操作，区分连接用户和物品的不同路径的强度，为模型赋予一定水平的可解释性。该模型在电影和音乐的两个数据集上进行了广泛的实验，显示出比现有的解决方案 Collaborative Knowledge Base Embedding 和 Neural Factorization Machine 更显著的改进效果。

Nov, 2018

本文提出了一种利用关系路径的混合语义来改善多跳知识图谱问答（KGQA）的方法，以较大程度的解决理解复杂问题的问题，通过实验证明该方法在多跳场景下的优越性。

Sep, 2022

本文提出了一种基于路径的知识库表示学习模型，将多步关系路径作为实体之间表示学习的翻译，利用路径约束资源分配算法度量路径可靠性，并通过关系嵌入的语义组合来表示关系路径；实证研究结果表明，与基线方法相比，我们的模型在知识库完成和文本关系提取方面取得了显著且一致的改进。

Jun, 2015

本文提出了一种新颖的关系结构，即关系有向图，用于捕捉知识图中的局部证据，并提出了 RED-GNN 来有效处理该结构，并证明其在归纳和传递推理任务中的有效性和效率。

Aug, 2021

引用束搜索算法的灵感，我们提出了 PathFinder，一种基于树搜索的推理路径生成方法，通过集成动态解码、约束推理和评分排序功能，提高多样分支和多跳推理的效率和质量，以及候选选择的性能，相对于竞争性的基线模型，在三个复杂的算术和常识推理任务上表现优于平均值 6%，且在具有大分支因素的束搜索中具有良好的泛化能力。

Dec, 2023

在这项工作中，我们提出了一种新的方法来学习元路径和元路径图神经网络，通过少量信息丰富的元路径来提高准确性，在增量构建元路径的过程中使用评分函数来衡量关系的潜在信息量。实验评估表明，该方法即使在存在大量关系的情况下，也能正确识别相关的元路径，并在综合和真实世界实验中显著优于现有的多关系图神经网络。

Sep, 2023

通过复制三种最新的路径推理推荐方法，基于知识图谱 (KG) 设计公共评估协议，在两个公共数据集上研究它们的推荐效用、解释质量和公平性等领域，以提高路径推理推荐的性能和应用效果。

Jan, 2023