- 知识图谱嵌入：概述
本文综述了知识图谱完成中的当前研究状态，特别关注了知识图谱嵌入设计的两个主要分支：基于距离的方法和基于语义匹配的方法，并探讨了与最近提出的模型之间的关联及其背后的趋势，最后讨论了利用预训练语言模型和实体关系的文本描述相结合进行知识图谱完成的 - 神经符号人工智能用于生物医学知识图谱推理
本文调查了神经符号人工智能的杂交方法在生物医学领域的实用性和潜在益处，这些方法对于如药物重新定位等任务的 KG 完成 (KGC) 更为适合，因为生物医学数据集通常被建模为知识图谱 (KG) 以捕捉其多关系、异质性和动态属性。
- 为知识图谱补全预训练变形器
文章介绍了一种名为 iHT 的知识图谱 (KG) 表征模型，该模型基于 Transformer 并经过大规模预训练，由实体编码器和邻居感知关系得分函数组成，可用于 KG 补全，经过实验证明其具有很好的泛化能力和良好的表现。
- 双几何空间嵌入模型用于双视图知识图谱
本研究构建双视图知识图谱嵌入模型，使用复杂非欧几里德几何空间模拟两个视图，并使用球体空间、双曲空间及其交集进行统一框架学习。该模型在公共数据集上表现优异，表明其在模拟知识图谱的异构结构方面的能力更强。
- KGxBoard: 知识图谱补全模型可解释互动排行榜评估
本篇论文提出了 KGxBoard ：一个交互式框架，用于对 KG 完成模型的个体和可解释能力进行细粒度评估的有意义的子集。通过我们的实验，我们发现使用 KGxBoard 发现的结果是无法通过标准评估指标检测出来的。
- KG-NSF: 无负样本的知识图谱补全方法
通过交叉相关矩阵，提出一种克服负采样限制，能够快速学习知识图谱（KG）嵌入的负采样免费框架（KG-NSF），其具有与基于负采样的方法相当的链接预测性能，同时收敛更快。
- 可解释的稀疏知识图谱补充方法：基于高阶图推理网络的实现
本文提出了一种新型解释模型 HoGRN 用于针对稀疏知识图谱（KG）的提取和推理，在实现高效和精确的预测同时保证可解释性，通过捕获关系的内部相关性学习高质量关系表示，并在关系空间中进行实体聚合和基于组合的注意力设计，HoGRN 在几个稀疏 - CompoundE：知识图谱嵌入的平移、旋转和缩放复合操作
本文提出了一种新的知识图谱嵌入模型 CompoundE，通过利用三种几何操作（平移、旋转和缩放）的组合。通过将 CompoundE 嵌入到群论框架中，我们展示了很多基于评分函数的 KGE 模型都是 CompoundE 的特例。实验结果表明， - ComDensE：知识图谱补全的关系感知和公共特征的合并稠密嵌入
本文提出 ComDensE，该模型采用稠密神经网络，结合关系感知和普通特征提取，实现了在知识图谱补全方面的最佳表现。
- 图神经网络对知识图谱补全是否真正有帮助？
本篇研究通过探索评分函数和损失函数的设计，发现相比于复杂的图神经网络，简单的多层感知器 (MLP) 模型能够实现与之相似的性能表现，在知识图谱补全 (KGC) 方面不一定需要高度复杂的聚合方式。
- 多语言知识图谱完善与自监督自适应图对齐
本文提出了自我监督自适应图对齐（SS-AGA）方法来解决多语言知识图谱完备性问题，该方法将所有知识图谱融合为一个整体图，并将对齐视为一种新的边类型，并通过关系感知的注意力权重，自适应地控制跨知识图谱的信息传播和噪声影响。
- ACL利用堆叠卷积和学生重排网络实现强大的知识图谱补全
本文提出一种基于文本实体表示的卷积神经网络，用于知识图谱补全，实验结果表明，该模型在稀疏情况下表现出色，结合实体重排技术，进一步提高了补全效果。
- EMNLP基于集成知识迁移的多语言知识图谱补全
本文提出了一种名为 KEnS 的新型框架，用于跨多个语言特定的知识图谱进行嵌入学习和集成知识传递，实现 KG 完成的改进。
- 少样本知识图谱补全
本论文提出了一个新的模型，即 FSRL 模型，在少量有参考的情况下学习新关系，可以更有效地从异构图结构中获取知识，并匹配每个关系的参考集中的相似实体对。实验结果表明，该模型优于现有的最先进的模型。