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
本文提出一种名为 FedE 的联邦知识图嵌入框架，采用联邦学习的方式进行多源知识图嵌入预测，保护数据隐私。实验证明，该方法在知识图嵌入方面具有较高效率。
Oct, 2020
该论文介绍了一种名为 QUEST 的方法，该方法通过计算来自不同文档的部分结果的相似度连接，从而直接从文本源中回答复杂问题。
Aug, 2019
提出了一种简单而有效的方法来检索和重新排序与问题回答相关的三元组，并将它们与问题连接以提高语言模型的表现，实验结果显示，其在常识问答和开放式书本问答数据集上均表现优于现有的最佳方法。
May, 2023
本文提出了一个任务，即 Complex Sequential QA，它结合了回答简单事实性问题和通过一系列有逻辑的问答匹配进行会话来进行复杂推理，本文也介绍了关于这个任务所需数据集，以及目前现有的模型在处理实际场景中还存在的不足。
Jan, 2018
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。
本文提出了一种基于无监督消息传递的复杂知识图谱问答方法，通过识别问题类型，并在图结构中传递置信度分数来进行答案实体的定位和聚合，其在 LC-QuAD 基准测试中表现优于现有方法，具有较高的实现效率和通用性。
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
本文介绍了一种基于知识图谱的问答系统，采取了一种新型的深度学习架构和端到端变分学习算法，可以同时处理问题中的噪声和多跳推理，在最新的基准数据集中取得了最优表现。
Sep, 2017
我们提出了一种简单的复杂查询方法，通过将复杂查询表示为查询图并使用逻辑信息传递神经网络，将知识图谱嵌入分解为本地推理和全局推理，实现了对各种类型的查询的复杂推理和新的最先进的神经查询应答模型。
Jan, 2023