Dec, 2022
一种基于检索和阅读的知识图谱链接预测框架
A Retrieve-and-Read Framework for Knowledge Graph Link Prediction
Vardaan Pahuja, Boshi Wang, Hugo Latapie, Jayanth Srinivasa, Yu Su
TL;DR提出了一种新颖的基于 Transformer 的图网络模型，实现了检索 - 阅读框架，提高了知识图谱链接预测的性能。
Abstract
knowledge graph (KG) link prediction aims to infer new facts based on
existing facts in the KG. Recent studies have shown that using the graph
neighborhood of a node via →
发现论文，激发创造
KGNN：面向图神经知识表示的分布式框架
KGNN 框架采用 GNN 编码器和知识感知解码器，旨在以细粒度的方式共同探索高阶结构和属性信息，同时在知识图谱中保留关系模式，并在链接预测和三元组分类任务上展示了其有效性和可扩展性。
May, 2022
友邻：上下文序列到序列链接预测
我们提出了 KGT5-context，这是一个简单的序列到序列模型，用于知识图谱中的链接预测（LP）。我们的工作扩展了 KGT5，该模型利用了知识图谱的文本特征，具有较小的模型尺寸且可扩展性。我们证明增加上下文信息可以减轻 KGE 模型的需求，从而获得良好预测性能。
May, 2023
基于上下文的图注意力网络在具有物品知识图的推荐中的应用
该研究提出了一种名为 CGAT 的新型推荐框架，可以明确地利用实体在知识图中的本地和非本地图上下文信息，以实现个性化的推荐，这可以通过一种偏向性随机游走采样过程来提取实体的非本地上下文，并利用 RNN 来模拟实体和其非本地上下文实体之间的依赖关系
Apr, 2020
QA-GNN: 用语言模型和知识图谱进行问答推理
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
可解释的时间知识图谱推理用于未来链接预测
提出了一种基于关系注意力机制和反向表示更新策略的时间动态知识图谱链接预测框架，构建查询相关子图来预测图结构中未来的连接情况，具有更好的解释性和推荐准确率。
Dec, 2020
自解释图神经网络用于链路预测
本文提出一种自我可解释的 GNN 框架，可以同时给出精确的预测和解释，通过找到一个节点的各种 $k$ 个重要邻居，为该节点到其他节点的链接学习对特定的表示，从而得出解释。
May, 2023
具有语义相关性感知的广义关系学习用于链接预测
该研究提出了一种统一的关系学习框架（GRL），该框架可以插入现有的链接预测模型中，能够增强现有的链接预测模型，使其对于不平衡的关系分布和学习未见关系具有不敏感性，并能够联接语义相似的关系。
Dec, 2020