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

本文提出了一种新颖的 SSET（Semantic and Structure-aware KG Entity Typing）框架，通过结合结构知识和语义知识，以及利用两种模块的推理结果生成鲁棒性较强的类型预测，显著优于现有的最先进方法。

Apr, 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

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

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

本文提出了基于图的最优传输（GOT）框架，采用最优传输学习跨领域映射，通过表示实体和动态构建的图来解决节点和结构之间的匹配问题，并通过节点匹配和结构匹配的 Wasserstein 距离和 Gromov-Wasserstein 距离用于损失公式实现对齐，在包括图像 - 文本检索、视觉问答、图像描述、机器翻译和文本摘要等各种任务中取得了一致的高效表现。

Jun, 2020

本文介绍 “CoType”，一个数据驱动的文本分割算法和一种冠以知识库标签的实体及关系识别方法。实验表明，其在不同领域具有 25% 的 F1 得分提高。

Oct, 2016

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

OnEFET 是一种无需人工注释的高质量细粒度实体类型方法，通过对本体结构进行信息扩充，并利用训练样本扩充和话题信息的粗到细的分层方法，超越现有的零样本方法，赶上有监督方法。

Oct, 2023