本研究在解决如何为复杂的信息或知识库创建向量空间嵌入，以便于机器学习、相似性搜索或类似任务时能更有效地用于预测蛋白质相互作用。

Feb, 2019

使用 ELBE 方法，可将 EL++ 的本体论表示为轴平行盒子，这种新的表示方法解决了使用 n - 球表示概念时无法满足交集闭合性的问题。

Feb, 2022

提出一种在 Description Logic EL++ 领域中表示学习本体的新方法 Box^2EL，该方法在包括概念和角色在内的箱形物体中表示本体，保留本体的逻辑结构，并在预测子概念、链接和推理时取得最先进的结果。

Jan, 2023

文章研究了不同的图投影方法对本体学习中嵌入生成和公理预测性能的影响。研究发现，不同的投影方法以及本体知识表示上的选择都会对公理预测产生重要影响。

Mar, 2023

该论文提出了使用 Skolemization 技术嵌入复杂查询的逻辑嵌入方法，支持否定查询、能够高效查询存在变量并优化建模、在大规模不完整知识图谱查询中快速准确，且在回答不确定性问题上提供了改进。

Feb, 2021

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

通过注入本体知识来改进嵌入式大语言模型（embedding-LLM），本研究利用广泛的本体使用和基于对照学习框架，通过医学疾病本体的生物医学文档，展示了提高嵌入式 LLM 在描述疾病领域中的相似性评估能力的实验结果。

May, 2024

本文提出了一种利用预训练语言模型来生成负样本的方法，该方法利用实体之间的距离通过它们的文本信息形成邻域集群，以得到符号实体的表示形式，有效地应用于基准知识图谱的链接预测任务。

Mar, 2022

本文提出了一种基于范畴论语义学的机器学习方法，使用 CatE 投影生成本体公理图表示，并应用于多种任务，展示了其超越了其他本体嵌入方法的局限性，并在生物医学领域的机器学习任务中优于现有的模型论本体嵌入方法。

May, 2023

本研究提出了一种基于低维嵌入空间中的几何运算来有效处理知识图谱中逻辑查询的框架，能够在处理复杂查询时提高时间复杂度，这种方法应用于真实世界数据中能够提供有用的预测能力。

Jun, 2018