本文提出了一种叫做 GRank 的图模式实体排名模型，通过构建一个实体排名系统来评价每个图模式，然后通过在标准数据集上进行链接预测任务来评估该方法，结果表明，它的性能优于 ComplEx 和 TorusE，而且由于输出事实由图形模式描述，该模型易于解释。

Apr, 2019

本文综合研究了知识图谱的几个方面，包括结构学习、知识获取和补全、时间知识图谱和基于知识图谱的应用，并提出了新的分类和分类法，以促进未来的研究。

Feb, 2020

本文研究了在更现实的开放世界假设下，知识图谱补全模型的评估，指出在测试时采用的指标可能会不正确反映模型的表现，因为未知的三元组可能包含许多缺失的事实，不在训练或测试集中，因此建议对数据进行更多的探索和量化分析以改进现有的评估方法。

Sep, 2022

本研究提出了6个可衡量知识图谱质量的结构化质量度量标准，并分析了5个跨领域的知识图谱。研究结果表明，优秀的知识图谱应定义详细的类和属性以便丰富地表达现实世界的知识，并且实例和RDF三元组应积极使用这些类和属性。因此，本文通过关注本体论的结构和使用的程度，试图从定量角度研究知识图谱的内部质量。通过分析，可以找到仅通过大小相关的指标（例如类和属性的数量）无法得知的知识图谱特征。

Nov, 2022

本文提出知识外推的概念，对知识图谱嵌入方法分类并详细总结及比较，探讨其在处理未知实体和关系方面的挑战，并提出未来的研究方向。

Feb, 2023

通过实际任务检测知识图谱的质量的KGrEaT框架，能够评估其对于分类、聚类或推荐等固定任务设置的性能指标。

Aug, 2023

在这篇论文中，我们对来自各个领域（如自然科学、医学和自然语言处理）的29个真实知识图谱数据集进行了大规模比较研究，分析了它们的属性和结构模式，并根据发现提出了针对基于知识图谱模型开发和评估的几项建议。我们相信知识图谱中丰富的结构信息可以有益于各个领域更好地发展知识图谱模型，并希望这项研究能够有助于打破现有领域间的数据孤岛（例如机器学习、自然语言处理和科学人工智能之间的联系）。

Nov, 2023

使用零-shot思维链分类器评估知识图谱的类成员关系质量，并使用两个公开知识图谱和七个大型语言模型进行评估，结果表明大型语言模型可以帮助知识工程师在知识图谱细化过程中进行知识图谱的改进。

Apr, 2024

通过将小规模专业领域知识图谱与已建立的通用知识图谱进行关联，我们提出了一个框架来丰富领域特定知识图谱的嵌入，以应对大规模知识密集型任务中存在的挑战。实验评估表明，通过与大规模通用知识图谱的链接，采用我们的方法可以显著提升下游任务的性能，Hit@10指标的提升可达44%。这一相对未经探索的研究方向可以促使知识图谱在知识密集型任务中更频繁地应用，从而得到更强大、可靠且不那么虚幻的机器学习实现。

May, 2024

Knowledge Graph Embedding techniques, such as KG-FIT, effectively incorporate hierarchical entity clusters and open-world knowledge from language models to enhance the expressiveness and informativeness of Knowledge Graph embeddings.

May, 2024