本文提出了一种新的 n 元查询嵌入模型（NQE）用于超关系知识图上的复杂查询答案，包括存在量化器、合取、析取和否定，并提出一种新的 CQA 数据集（WD50K-NFOL），实验证明其是超关系知识图上最先进的 CQA 方法。

Nov, 2022

通过将训练分为两个阶段，分别在简单查询和复杂查询上进行训练，我们提出了一种名为 Q2T 的新方法，通过预测尾部实体来进行简单查询的预训练，并在复杂查询上训练查询编码器，将不同的复杂查询编码为统一的三元组形式，从而在不需要显式建模神经集合运算符的情况下，在三个公共基准测试上实现了最先进的性能。

Oct, 2023

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

本文提出 “Bi-Directional Query Embedding (BIQE)” 模型，采用双向关注机制进行共有限制查询的答案预测，相比现有模型实验结果表明该模型的性能显著优于现有最先进模型。

Apr, 2020

基于树状计算图的神经单点嵌入方法 Pathformer 提出，充分利用未来的上下文信息以显式建模路径查询的各个部分之间的复杂交互关系，并在实验中显示 Pathformer 优于现有的竞争神经查询嵌入方法，具有应用于非单点嵌入空间的潜力。

Jun, 2024

SQUIRE 是第一个基于序列到序列结构的多跳推理框架，利用编码器 - 解码器 Transformer 结构来将查询转化为路径，实验表明我们的方法在标准和稀疏知识图上都取得了显著的改进同时收敛速度提高了 4-7 倍。

Jan, 2022

提出了一种神经符号交织的（ENeSy）复杂查询答案框架，该框架能够在神经和符号推理结果的基础上分别回答和集成查询，通过压缩和整合基本运算符和链接预测提高了复杂查询的效果，并应用于多项基准测试。

Sep, 2022

本文提出了一种名为 GNN-QE 的神经符号模型，用于回答复杂的一阶逻辑查询，在解决神经方法推理难以解释的问题的同时，取得了较显著的实验成果。

May, 2022

本文研究基于事件中心知识图谱的深度神经网络复杂查询方法，提出了复杂事件查询回答（CEQA）框架，利用定理证明器填补实体中心查询系统无法推理的逻辑不确定性，实现了在具有时间维度的事件中心知识图谱上的准确推理。

May, 2023

将大型语言模型 (Large Language Models, LLMs) 整合到查询编码器中，以提高密集检索的性能，同时避免在推理时对 LLMs 的依赖。通过将输入查询的嵌入映射到 LLM 扩展查询的嵌入，SoftQE 能够在领域内 MS-MARCO 指标上略微提高性能，并在五个领域外的 BEIR 任务中平均提高 2.83 个百分点。

Feb, 2024