本论文提出了一种新颖的知识感知方法，将预训练语言模型与多跳关系推理模块相结合，对外部知识图谱子图进行多跳关系推理。该方法统一了基于路径的推理方法和图神经网络，提高了可解释性和可伸缩性，并在常识问答和开放式书面问答数据集上证明了其有效性和可伸缩性，并通过案例研究进行了解释。

May, 2020

本文提出了一种元学习式的多跳知识图谱（KG）推理方法（Meta-KGR），适用于少样本关系中的查询回答（QA）任务，通过学习适应于不同关系的元参数，提高模型的推理能力，实验表明，在 Freebase 和 NELL 数据集上，Meta-KGR 在少样本场景下优于现有技术方法。

Aug, 2019

本文提出了一种拓扑感知的、适用于归纳和推理环境下的多模态知识图谱推理方法 TMR，该方法主要由任务感知归纳表示和关系增强自适应强化学习两个组件构成，并在不同规模的归纳推理数据集上进行了评估。实验表明，TMR 在归纳和推理环境下均优于现有的多模态知识图谱推理方法。

Jun, 2023

本文介绍了一种基于循环神经网络和实体和关系向量表示的 ROPs 方法，可以有效地预测由多跳知识库路径组成的知识图谱中的实体。该方法能够建模任意长度的多跳路径，并以训练信号为每一步更新实体和关系的表示，从而解决了知识库补全和路径查询答案等关键任务的问题。

Jun, 2018

本文提出了一个基于多跳推理的知识图谱通用框架，其中包含本地全局知识模块以估计可能的路径，不同的操作丢失模块以探索各种路径，自适应停止搜索模块以避免过度搜索，并将其应用于自然语言处理。实验结果表明，该模型能够在短距和长距推理场景中显著地改善性能。

Oct, 2020

通过多跳推理，我们提出了一种与知识图中的关系类型数量成比例的方法，具有出色的可扩展性，可以用于实现多项元 QA 数据集的目的，并实现了更具挑战性的 WebQuestionsSP 的最新技术水平。

Oct, 2021

本文介绍了如何利用 Graph Neural Networks 来嵌入和回答超关系连接查询，以处理新型复杂查询，同时提出了一种提高查询效率的方法，并在实验证明 Qualifier 可以在多种查询模式下提高查询效果。

Jun, 2021

文中提出了两个方法来解决不完整知识图谱上的多跳推理查询回答中存在的问题，其一是使用预训练的一跳嵌入模型来估算未观察到事实的奖励，其二是使用随机生成的边缘掩码来强制代理探索不同的路径，该方法在多个基准数据集上明显优于现有的基于路径的 KGQA 模型，并且与基于嵌入的模型相当甚至更好。

Aug, 2018

我们提出了一种基于博弈论框架的，能够同时优化规则选择和预测步骤的两步方法，将现有的多跳关系推理方法扩展到一般化的多跳规则形式，结果显示我们的 MCMH 规则相对于标准的单链方法得到了更好的结果。

Oct, 2020

Scalable Multi-hOp REasoning (SMORE) is a new framework for both single-hop and multi-hop reasoning in knowledge graphs, with a novel bidirectional rejection sampling method and asynchronous scheduling approach enabling it to perform multi-hop reasoning in real time, boosting training speed by 2.2x for minimal GPU memory requirements while achieving near linear speed-up with the number of GPUs.

Oct, 2021