本文提出了通过预训练语言模型和 k 近邻的知识图谱嵌入新方法 kNN-KGE，使得 rare 或 emerging entities 更容易被显式地存储，而非隐式存在于模型参数中，实验证明该方法可提高归纳式和传导式链接预测结果，并在只有很少的三元组的低资源情况下获得更好的性能。

Jan, 2022

本研究使用 Transformer 模型代替传统知识图谱嵌入模型 (KGE) 的原子嵌入表示，将 KG link prediction 问题转化为序列到序列任务以及使用自回归解码。相比于传统 KGE 模型，这种简单而强大的方法在保持推理时间可控的同时，将模型大小减少了多达 98％，在不进行过多超参数调整的情况下，在多个大型数据集上的表现优于基线。

Mar, 2022

本论文提出一种基于类比原理的新型框架，用于大规模多关系嵌入中的潜在实体和关系的表示优化。该模型具有强大的理论能力和计算可扩展性，在基准数据集上显著优于大量代表性基线方法。此外，该模型提供了多个已知方法的优雅统一，可以证明是我们框架的特殊实例。

May, 2017

本文提出一种名为 MorsE 的模型，该模型不学习实体的嵌入，而是学习可转移的元知识，以生成实体的嵌入，这种元知识由实体独立模块建模并通过元学习进行学习，在归纳设置下，该模型可以显着优于相应的基线模型，适用于知识图谱的内部和外部任务。

Oct, 2021

本文提出了一种称为实体邻居的新型附加信息，并使用深度记忆网络模型编码邻居信息。通过引入门控机制，结构和邻居的表征被整合成一个联合表征，实现了知识图谱嵌入（KGE）技术中实体表示的最新技术性能。

Aug, 2018

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

本论文使用几何代数和张量分解提出了一种新的知识图谱表示学习方法 GeomE 和 TGeomE，用于解决深度学习中的时序数据问题。结果表明，该方法在四个常用的静态 KG 数据集和四个知名的时间 KG 数据集上实现了最先进的性能。

Feb, 2022

本文提出了一种基于类比推理的方法来构建知识图谱，该方法通过从感兴趣的种子实体开始，保留或修剪它们的相邻实体来逐步增加知识图谱，结果表明该方法在特定数据集和迁移学习中表现出较高的性能和泛化能力。

Jun, 2023

知识图谱嵌入（Knowledge graph embedding，KGE）通过将知识图谱（knowledge graph，KG）中的实体和关系表示为连续向量空间，可以用于预测缺失的三元组，实现知识图谱补全。然而，KGE 模型通常只能简要地学习三元组数据的结构关联，并且在真实世界的知识图谱中会被无关的模式和噪声链接误导。为了解决这个问题，我们在因果关系和嵌入解缠方面构建了一种新的 KGE 范式。我们进一步提出了一种因果增强的知识图谱嵌入（CausE）框架。CausE 应用因果干预来估计混杂嵌入的因果效应，并设计了新的训练目标来进行稳定的预测。实验结果表明，CausE 能够胜过基线模型，实现最先进的知识图谱补全性能。我们在指定的 URL 中发布了我们的代码。

Jul, 2023

本文综述了知识图谱完成中的当前研究状态，特别关注了知识图谱嵌入设计的两个主要分支：基于距离的方法和基于语义匹配的方法，并探讨了与最近提出的模型之间的关联及其背后的趋势，最后讨论了利用预训练语言模型和实体关系的文本描述相结合进行知识图谱完成的新方法。

Sep, 2023