本研究提出了一种称为 SE-KGE 的位置感知知识图嵌入模型，该模型通过将地理实体的点坐标或边界框直接编码到 KG 嵌入空间中来处理空间信息，并在 DBGeo 数据集上对其进行了评估。结果表明，此模型在地理逻辑查询回答任务上优于多个基线，并引入了一种称为空间语义提升的新型下游任务，该任务通过某些关系将研究区域中的任意位置链接到 KG 中的实体。

Apr, 2020

提出了一种名为 SpaceE 的翻译距离 (KGE) 基于线性变换的方法来模拟知识图谱中实体的关系，它可以很好地建模与非注射关系模式， 并且在许多具有非注射关系的数据集中明显优于现有的 KGE 方法。

Apr, 2022

本文提出一种新的嵌入式模型 STransE，结合了多种先前的链接预测模型，用于知识库的链接预测任务，它将每个实体表示为低维向量，用两个矩阵和一个翻译向量表示每个关系，并在两个基准数据集上获得更好的链接预测表现。

Jun, 2016

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

本文介绍了知识图谱嵌入的相关研究，提出了一种新的模型 ——TransF，有效地解决了前置模型无法处理的关系问题，并通过基准数据集的链接预测和三元组分类实验，证明了该模型相对于其他前沿模型具有明显的性能提升。

May, 2015

Geospatial Location Embedding (GLE) 在大型语言模型（LLM）中帮助模型吸收和分析空间数据。GLE 的出现是由于在当代复杂空间中对更深层次的地理空间意识的需求以及 LLMs 在生成式人工智能方面提取深层含义的成功。GLE 为对空间的理解提供了帮助，但强调了在空间模态和推理方面进一步的提升的需求。GLE 标志着 “空间” 和 “LLM” 之间对话式对接，为建立将空间知识嵌入模型结构的 Spatial Foundation/Language Model（SLM）框架提供了契机。该框架推动了 Spatial Artificial Intelligence Systems（SPAIS）的发展，建立了一个与物理空间相映射的空间向量空间（SVS）。由此得到的具有空间特征的语言模型是独特的，同时代表了实际空间和基于人工智能的空间，为 SPAIS 的地理存储、分析和多模态提供了基础。

Jan, 2024

本文提出了一种基于边的嵌入模型 TransEdge，通过上下文化的方式对知识图谱中的关系进行表示，取得了优秀的性能表现，在基于嵌入的实体对齐方面达到了最好的结果。

Apr, 2020

该论文提出了一种基于对比学习的 LMKE 方法，采用语言模型从文本信息中推导出知识嵌入，旨在丰富长尾实体的表征，并解决以前的基于描述的方法的问题，实验结果表明 LMKE 在知识嵌入基准测试中特别是长尾实体上取得了最先进的性能.

Jun, 2022

本论文提出了一种新颖的基于转移的知识图谱嵌入方法 TranS，使用合成的关系表示法代替传统评分模式中的单一关系向量，以有效和高效地解决相同实体对具有不同关系的复杂情况，实验结果表明，该模型在 ogbl-wikikg2 上实现了最先进的表现。

Apr, 2022

研究了建立新的 Relational Sentence Embedding（RSE）范式以更好地发现句子嵌入潜力，提出了一种关联嵌入学习方法，作用在源句子上，推断出使用现有的 Siamese-based encoder 的对应目标句子，从学习的嵌入中可以计算出细粒度的关系相似度得分。该方法在 19 个任务中进行了基准测试，取得了良好的效果。

Dec, 2022