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

本文提出了一种名为 StarGraph 的方法，其利用在大规模知识图谱中获取实体表示的新方法 —— 生成每个目标节点的不完整的二跳邻居子图，然后通过修改的自注意力网络处理以获得实体表示，以取代传统方法中的实体嵌入。该方法在 ogbl-wikikg2 上取得了 SOTA 性能并在 fb15k-237 上具有竞争力的结果，证明了 StarGraph 在语参数上的高效，并证明了它对大规模知识图谱的表示学习的巨大效能。

May, 2022

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

该研究提出了一种基于信息传递的图形编码器 StarE，能够对超关系知识图上的限定语进行建模，通过该模型，与三元组相关的附加信息（限定语）可以被编码。并且在该论文中，作者还描述了一种新的基于 Wikidata 平台的数据集 - WD50K，并证实了利用限定语进行链接预测的可行性。

Sep, 2020

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

该研究提出了一种用于高度关联知识图谱 (HKGs) 补全的方法，该方法引入了两个新修订：一是用轻量级实体 / 关系嵌入处理技术替换计算量大的图神经网络模块以提高计算效率；二是增加一个定向于合格证的辅助训练任务以提高该方法的预测能力，并且该方法在三个基准数据集上的实验中始终优于 STARE，计算效率显著提高。

Apr, 2021

TripleRE 是一种新的知识图谱嵌入方法，其创新性地将关系向量分为三部分并利用残差概念实现更好的性能。此外，使用 NodePiece 对实体进行编码取得了良好的效果，缩小了参数大小并解决了可扩展性的问题，实验表明我们的方法达到了大规模知识图谱数据集的最先进水平，且在其他数据集上也有竞争力。

Sep, 2022

本文通过扩展随机游走模型将其用于知识图谱嵌入中，提出了一种衡量实体之间关系强度的评分函数，并给出了该方法的理论分析和学习目标。在实验中，我们使用了该方法对 FB15K237 和 WN18RR 数据集进行了准确的嵌入学习，为该理论提供了实证支持。

Jan, 2021

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

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