本文介绍了一种使用神经网络来处理知识图谱上的多跳逻辑查询的方法，并展示了实验室中的卓越性能，该方法可以处理包括否定查询在内的全一阶逻辑查询。

Sep, 2022

该论文提出了使用 Skolemization 技术嵌入复杂查询的逻辑嵌入方法，支持否定查询、能够高效查询存在变量并优化建模、在大规模不完整知识图谱查询中快速准确，且在回答不确定性问题上提供了改进。

Feb, 2021

本研究提出了一种基于低维嵌入空间中的几何运算来有效处理知识图谱中逻辑查询的框架，能够在处理复杂查询时提高时间复杂度，这种方法应用于真实世界数据中能够提供有用的预测能力。

Jun, 2018

FuzzQE 采用模糊逻辑定义逻辑运算符，利用模糊的查询嵌入框架回答在知识图上的存在量化查询，比现有技术提供更好的性能。

Aug, 2021

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

该研究通过考虑不确定性知识进一步推进基于机器学习的逻辑查询回答的研究，并提出了一种基于机器学习的方法以回答大规模、不完整和不确定的知识图上的软查询。

Mar, 2024

本文通过利用语言中常量的对称性，将隐式可学习性推广，提出了一种在第一阶逻辑中进行强健学习的新理论方法。

Jun, 2019

为了回答知识图谱上的复杂查询，我们提出了一个综合框架，涵盖了存在性一阶查询的组合空间，并构建了一个 dataset 进行评估。我们的结果揭示了查询难度对结果的影响，并强调了现有数据集构建过程中的系统偏见对查询 - 回答方法的适当发展的重要性。

Jul, 2023

本文介绍了如何利用 Graph Neural Networks 来嵌入和回答超关系连接查询，以处理新型复杂查询，同时提出了一种提高查询效率的方法，并在实验证明 Qualifier 可以在多种查询模式下提高查询效果。

Jun, 2021

本文提出了一种基于文本编码的结构模型框架，用于在知识图谱上进行归纳逻辑推理，通过设计渐进式的指令和额外的注意力和 maxout 层来增强结构建模，成功处理了复杂查询的逻辑结构，提高了在归纳和转导数据集上的推理效率。

May, 2023