本文提出了一种去中心化的知识图谱表示学习方法，针对只提供实体关系信息但没有输入特征的情况，通过从实体邻居的嵌入编码实体并设计算法进行知识蒸馏来优化，在实体对齐任务上表现得更好，并在归纳设置下在实体对齐和实体预测任务上优于所有对照实验.

Oct, 2020

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

本文提出了一种新颖的知识图谱嵌入方法，引入了一组虚拟的关系原型实体来表示连接同一关系的头尾实体的原型，通过将实体的嵌入与其关联的原型的嵌入靠近，有效鼓励了由同一关系连接的可能在知识图谱中相距较远的实体的全局语义相似性，并在实体对齐和知识图谱完成任务上显著优于最新的现有方法。

Jun, 2022

本文提出一种名为 HoloE 的方法用于学习整个 knowledge graph 的综合空间表示，通过循环相关性来创建组合表示，从而在 link prediction 和 relational learning 等方面超越现有技术。

Oct, 2015

本文通过进行第一次统计学分析，对知识图谱中利用嵌入方法进行的实体对齐的流行方法进行了评估，并根据其在不同性能度量和知识图谱特征方面的有效性将其排名。

Mar, 2022

我们开发了新型的 KGE 框架，使用智能化实体类型嵌入自动化技术，可以更好地表示实体的信息并可同时推断出对称性、倒置性、组合关系以及 1-N、N-1 和 N-N 等复杂关系，相较于现有的先进基础线性任务，实验表明我们提出的模型对于关系预测具有明显的优势。

Sep, 2020

本文提出了一种使用图卷积神经网络（GCN）学习实体和关系表示的新颖联合学习框架，以改善实体对齐，并证明利用有用的关系表示来协助实体对齐是一种简单而有效的方法。通过在三个真实的跨语言数据集上进行的实验表明，我们的方法显著优于现有的实体对齐方法。

Sep, 2019

本文通过借鉴 NLP 中常用的次词元素处理技术，探索更具参数效率的节点嵌入策略，提出了一种基于锚节点的方法 NodePiece，构建了一个定长的子实体单元词汇表，展示了该方法的性能在节点分类、链路预测和关系预测任务中具有竞争力且参数更少。

Jun, 2021

本论文提出了一种基于几何代数的知识图谱嵌入框架 GeomE，利用多向量表示和几何积模拟实体和关系，具有对称、反对称、逆序和复合等多种关系模式，具有良好的泛化能力，能在多个基准知识图谱上优于现有的最先进模型，适用于链接预测。

Oct, 2020

提出了一种上下文感知的动态知识图谱嵌入方法 (DKGE)，该方法利用两个有注意力机制的图卷积网络、一种门控策略和翻译操作，通过双重表示 (知识嵌入和上下文元素嵌入) 联合模型化实体和关系及其环境，以快速获取更新的知识图谱嵌入，同时支持从头开始的知识图谱嵌入。实验证明 DKGE 在动态环境下具有良好的有效性和效率。

Oct, 2019