知识图谱实体类型（KGET）是一项用于预测知识图谱（KG）中缺失实体类型的任务。我们通过引入多个辅助关系来提高 KG 嵌入方法的表达能力，将相似的实体类型分组以减少辅助关系的数量，并改进不同粒度实体类型模式的建模能力。我们提出了 AsyncET 方法，采用异步学习方案进行实体类型预测，通过交替更新实体和类型嵌入来保持学习到的实体嵌入的最新性和信息性。实验结果表明，所提出的多个辅助关系和异步嵌入学习方法显著改善了 KGE 方法在 KGET 任务上的性能，而且我们的方法在模型大小和时间复杂度方面具有显著优势。

Aug, 2023

本文介绍了一种名为多视图对比学习的知识图谱实体类型推断方法，它将聚类提供的粗粒度知识编码到实体和类型嵌入中，并通过多个模块实现结构化信息的编码、不同视角的对比学习以及缺失实体类型的推断。实验证明了该方法相对于现有的最优方法具有较强的性能。

Oct, 2023

本研究提出了一种利用上下文信息进行知识图谱实体类型推理的新方法，设计了两种推理机制：N2T 和 Agg2T，并提出了一种新的损失函数以减轻训练期间的误测问题。实验证明了该方法的有效性。

Sep, 2021

本文提出了一种新方法，通过共同利用现有实体类型和知识图谱中的全局三元组知识以及两个嵌入模型，推断知识图谱中缺失的实体类型实例；在真实数据集上实验结果显示，此方法和模型可以有效地提高知识图谱实体分类。

Jul, 2020

通过将类型聚类信息有效地融入实体和类型的表示中，Cross-view Optimal Transport（COTET）方法通过多视图生成和编码、交叉视图最优传输和基于汇聚机制的实体类型预测模块，在知识图谱实体类型推理任务中展现出了显著的效果。

May, 2024

本研究提出了一种基于 Transformer 的实体类型推断方法 (TET)，通过对实体邻居内容的有效编码，利用三种不同机制 (本地 Transformer、全局 Transformer 和上下文 Transformer) 来推断实体的缺失类型，并使用类型的类成员身份信息来语义强化实体的表示。实验表明，相对于现有技术，TET 的性能更卓越。

Oct, 2022

提出了一种利用 RDF2vec 不同图形遍历策略和实体的文本描述来进行实体打标的新方法（GRAND）。实验表明，引入上下文信息的方式和生成图行走序列的策略对于实体打标在 KG 中有重要影响。该方法在 DBpedia 和 FIGER 基准数据集上，对于精细和粗粒度类组合都优于基线方案。

Jul, 2022

我们开发了新型的 KGE 框架，使用智能化实体类型嵌入自动化技术，可以更好地表示实体的信息并可同时推断出对称性、倒置性、组合关系以及 1-N、N-1 和 N-N 等复杂关系，相较于现有的先进基础线性任务，实验表明我们提出的模型对于关系预测具有明显的优势。

Sep, 2020

本文提出了一种基于实体类型识别的知识图谱扩展框架，通过对不同知识图谱的模式和实体进行对齐，提高了扩展的性能，从而实现高质量的知识提取。通过定量实验和案例研究，全面展示了所提出的扩展框架及其功能的可行性和有效性。

May, 2024

本研究旨在整合知识图谱的图嵌入和文本编码技术，以提高自动完成知识图谱的性能，实现更精确的链接预测和结构学习。实验结果表明，该方法能实现与文本编码方法相比 1-2 个数量级的推理成本减少和最先进的性能表现。

Apr, 2020