- 利用语义驱动的损失函数增强知识图谱嵌入模型
本研究提出了一种基于语义驱动的链接预测中的三种主要损失函数的版本，通过将关系域和范围的背景知识注入损失函数，不同地对待负三元组的分数，扩展了传统方法。在三个公共基准 KG 上进行了广泛的实验，结果表明，所提出的损失函数系统地提供了令人满意的 - 文本和知识图谱的联合表示用于检索和评估
本文提出一种利用对比训练和数据增强技术在 KB 图和文本对之间训练嵌入模型，以获得对齐的跨模态表示，进而 fine-tune 可以与人类判断相匹配的相似度度量，最终在无需参考文本的情况下超过或匹配现有的基准度量。
- CVPR使用用户级差分隐私学习生成图像嵌入
本文提出一种名为 DP-FedEmb 的联邦学习算法改进版本，用于训练大规模图像到嵌入特征提取器模型，包含虚拟客户端、部分聚合、私有本地微调和公共预训练等技术，能在相同的隐私预算下实现强隐私效用平衡，并且在 DigiFace、EMNIST、 - $μ\text {KG}$: 适用于多源知识图谱嵌入与应用的库
这篇论文介绍了一个名为 μKG 的 Python 开源库，用于知识图谱的表示学习，可以支持多源知识图谱的联合表示学习（和单个知识图谱），多个深度学习库（PyTorch 和 TensorFlow2），多种嵌入任务（链接预测，实体对齐，实体类型 - 科学文档中被承认实体的自动提取和分类的嵌入模型评估
本论文旨在评估不同嵌入模型在科学论文中对已确认的实体进行自动提取和分类的性能，并提供了一种基于 Flair NLP 框架的命名实体识别（NER）任务的解决方案，以了解科学社区的奖励体系、合作模式和隐藏研究趋势。
- ACLKGTuner: 知识图谱学习的高效超参数搜索
提出了一种名为 KGTuner 的算法，通过在小子图上有效探索超参数配置，并将表现最佳的配置传递到大规模知识图谱中进行微调，从而有效地搜索知识图谱学习中的超参数，实验结果表明，相较于基准算法，能够在同样的时间预算下得到更好的算法性能，平均相 - 专利分析中句子嵌入模型表现的调查
本研究旨在评估基于不同 NLP 嵌入模型的专利数据嵌入模型计算专利技术相似度的准确度，提出了一个评估嵌入模型准确度的标准库和数据集，研究结果表明 PatentSBERTa、Bert-for-patent 和 TF-IDF 加权词嵌入在子类别 - HET: 利用缓存启用的分布式框架扩展大型嵌入式模型训练
该研究提出了一种名为 HET 的系统框架，旨在解决嵌入式模型大规模训练的可伸缩性问题，通过使用嵌入式缓存和新的一致性模型，可以实现具有细粒度一致性保证的高效通信，相较于现有技术，HET 能够减少高达 88% 的嵌入式通信，并实现高达 20. - 利用箱型嵌入完成时间知识图谱
本文提出了一种基于盒式嵌入模型 BoxE 并扩展到时间知识图谱的盒式嵌入模型 BoxTE，BoxTE 在时间设置下表现出完全的表达能力和强大的归纳能力，并在多个 TKGC 基准测试中取得了最先进的结果。
- IJCAI从包含数值边属性的知识图谱中学习嵌入
本文提出了一种将数字边属性注入传统的知识图谱嵌入架构的评分层的新方法，研究结果表明，这种方法优于传统的缺乏数字边知识和最近的 UKGE 模型。
- CVPR兼容性敏感的异构视觉搜索
本篇研究针对资源限制下的视觉搜索问题，提出了一种通过生成来自大型模型的画廊嵌入和使用紧凑模型提取查询嵌入的方法来减轻准确性和效率之间难以解决的关系，并通过修改参数和架构来实现嵌入之间的兼容性，从而实现了 80 倍和 23 倍的成本降低，而在 - WWW高效非采样知识图谱嵌入
通过提出 Efficient Non-Sampling Knowledge Graph Embedding（NS-KGE）框架，该研究将知识图谱嵌入模型中的负采样方法转变为全量消除，并使用数学推导减少了模型计算复杂度，既提高了效率也提高了准 - 关系反射实体对齐
本论文提出了一种统一的框架，Shape-Builder & Alignment，用于解释实体对齐问题中存在的多种现象，并针对这些现象提出了两个理想的转换操作标准。此外，论文还提出了一种更为高效的 GNNs-Based 方法，Relation - 跨模型兼容性的统一表示学习
本研究提出一种统一的表示学习框架，解决了在视觉搜索应用中交叉模型兼容性（CMC）问题，通过引入轻量级的 RBT 模块和新的训练方案来优化嵌入空间，该方案在各种具有挑战性的视觉搜索情景下，包括面部识别和个人重新识别，均优于先前的方法。
- 连接嵌入对知识图谱实体类型进行分类
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。
- BoxE: 一种用于知识库补全的盒子嵌入模型
BoxE 是一个新的嵌入模型，它可以同时解决目前模型存在的不表达、不支持显著推理模式、不支持高阶关系和不支持逻辑规则等限制性因素。 BoxE 成功地对许多所需的逻辑属性进行了自然编码，并表现出了最先进的性能。
- CVPR朝向向后兼容的表示学习
提出了一种名为 “backward-compatible training (BCT)” 的框架来训练嵌入模型，它可使不同维度和架构、通过不同损失函数学习的视觉特征具有兼容性，从而实现新计算机制与旧计算机制之间的互换，使视觉搜索系统能够跳过 - 知识图谱补全方法的现实重新评估：一项实验研究
本文研究使用嵌入模型进行知识图谱完成和链接预测的问题，发现这些模型在去除不现实的三元组数据后的精度远低于预期，呼吁重新探索有效的方法。
- 知识图谱嵌入与文字字面量的调查：哪种模型更好地链接字面量？
本文对考虑包括文本、数字、图像等非结构化信息的 KG 嵌入模型进行了综述和对比，同时在相同条件下对链接预测的不同方法进行了实证评估。
- 我们是否存在一致偏差？对分布式词向量偏差的多维分析
该研究对分布式词向量空间中的偏见效应进行了系统性分析，研究表明：偏见效应在不同的词向量模型、文本类型和语言之间是不一致的，同时，双语词向量空间中的跨语言偏见也是存在的。该研究以期促进自然语言处理中的偏见研究，为偏见缓解技术的发展提供帮助。