本研究提出了一种名为 BiQUE 的知识图谱嵌入模型，使用双四元数来整合多种几何变换，在多维关系图谱上表现比其他几何操作符更优秀

Sep, 2021

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

研究知识图谱的不完整性，并提出了一种旨在解决知识图谱完成中的挑战、同时呈现出直观的图形化解释的 KG 嵌入模型 - ExpressivE。

Jun, 2022

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

本文提出一种名为 MorsE 的模型，该模型不学习实体的嵌入，而是学习可转移的元知识，以生成实体的嵌入，这种元知识由实体独立模块建模并通过元学习进行学习，在归纳设置下，该模型可以显着优于相应的基线模型，适用于知识图谱的内部和外部任务。

Oct, 2021

提出了一种名为 ShrinkE 的方法，用于在超关系事实上进行知识图谱上的链接预测，成功地捕捉了限制它们泛化能力的限定符单调性、限定符蕴含和限定符相互排斥等关键推理模式。

Jun, 2023

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

知识图谱嵌入（Knowledge graph embedding，KGE）通过将知识图谱（knowledge graph，KG）中的实体和关系表示为连续向量空间，可以用于预测缺失的三元组，实现知识图谱补全。然而，KGE 模型通常只能简要地学习三元组数据的结构关联，并且在真实世界的知识图谱中会被无关的模式和噪声链接误导。为了解决这个问题，我们在因果关系和嵌入解缠方面构建了一种新的 KGE 范式。我们进一步提出了一种因果增强的知识图谱嵌入（CausE）框架。CausE 应用因果干预来估计混杂嵌入的因果效应，并设计了新的训练目标来进行稳定的预测。实验结果表明，CausE 能够胜过基线模型，实现最先进的知识图谱补全性能。我们在指定的 URL 中发布了我们的代码。

Jul, 2023

提出了一种基于投影几何的 KGE 模型，支持多重变换类型（包括翻转，反射，平移，旋转和相似变换），旨在解决多关系型知识图谱在邻域中存在多个子图结构的问题，并在几个广泛使用的链接预测基准测试中表现出优越性。

Jun, 2020

本研究提出一种新的查询嵌入模型，称为锥体嵌入（ConE），通过将实体和查询表示为二维锥形的笛卡尔积，处理与所有的一阶逻辑运算，包括合取，析取和否定，并在查询中引入几何补充算子，处理否定运算，从而在基准数据集上显著优于现有其他模型。

Oct, 2021