- 用于多关系链接预测的关系 Tucker 分解
本研究基于关系型 Tucker3 分解，探究了多关系链接预测中的知识图谱嵌入模型，使用 RT 分解作为工具来探讨自动学习稀疏模式是否可行并且是否可以超越使用相同数量参数的稀疏模型。
- MM使用嵌入技术对抗冗余和模型衰减
本文介绍了 Twitter 在处理海量信息时的一种解决方案，通过采用嵌入模型，实现了同时考虑模型效率与数据分布的算法更新，从而降低因语言变化带来的协变量漂移、减少冗余，并极大地提高了团队建模的效率。
- EMNLP知识图谱的单次关系学习
本文提出了一种基于嵌入模型的一次性关系学习框架，将已有的知识和一跳图结构相结合，来预测在只有一个训练样例的情况下的新事实，并通过实验证明，在新关系预测和嵌入模型训练上，该模型具有巨大的性能优势。
- ACL使用细粒度名称打标法评估多标签分类中的词嵌入
提出了基于多标签分类的新的词嵌入评测方法，其任务为细粒度名称分类，能够直接针对嵌入进行评测，相较于现有的评测数据集，所使用的知识库更大、包含细粒度类别并允许直接评测而无需考虑句子上下文等混淆因素。
- ICML知识库嵌入模型的解释：一种教学方法
本文探索了如何利用神经网络中的教育方法，从嵌入模型中提取加权 Horn 规则，以增强知识库的完整性和解释性。
- ACL利用自动编码器进行关系的可解释和组合式学习的联合训练
此研究通过自编码器联合训练关系，实现了维度缩减技术，提高了知识库完成任务的效率，并展示了联合训练对于发掘关系组合限制和有益于组合训练的可解释性稀疏编码的促进作用。
- EMNLP层次嵌入用于上下位关系检测与方向性
介绍了一种名为 HyperVec 的神经模型，其可以学习分层嵌入，以检测和定向上位词，可以捕捉上位词 - 下位词分布层次结构，以及可以用于跨语言映射。实验结果表明，HyperVec 在上位词检测和定向，以及预测分级词汇蕴涵方面均优于现有的无 - 基于语义的 Emoji 相似度度量
本篇研究旨在通过 EmojiNet 知识库中的可机器读取 Emoji 意义，通过不同的训练语料库，利用 Emoji 描述、 Emoji 感觉标签和 Emoji 感觉定义等信息开发和测试多种嵌入模型来衡量 Emoji 相似度，并开发了名为 E - 实体和关系嵌入模型在知识图谱补全中的调查
本研究是对实体和关系的嵌入模型在知识图谱完善领域的综合调查，总结了标准基准数据集的最新实验结果，并指出了潜在的未来研究方向。
- EMNLP利用最少的监督创建因果嵌入以进行问答
通过任务特定的 embedding，显式地建模因果关系可以有效地提高问题回答系统的性能。
- ECCV使用网络图像搜索学习视频和句子的联合表示
该研究旨在基于自然语言查询进行视频检索，并采用嵌入模型进行检索任务的训练，试图通过图像搜索以及嵌入模型的应用使 fine-grained 视觉概念得到消歧，最终在视频和句子检索任务中实现了明显的改进，并取得了与当前最先进技术相媲美的描述生成 - NIPS使用神经嵌入模型学习多关系语义
本文提出了一种统一的模型框架，用于建模多关系表示、评分和学习，并在此框架下对几种最近的多关系嵌入模型进行了实证研究。研究了基于线性和双线性变换的关系算子的不同选择，以及通过整合额外文本资源上的非监督向量进行实体表示的效果。结果表明了几个有趣