- 利用负采样和逻辑闭包过滤增强几何本体嵌入的 EL++
本文提出了基于概念描述高维球表示的嵌入方法，利用本体的演绎闭包和不同类型的否定语句，改进了本体嵌入的知识库或本体补全任务。
- 评估 GPT 的知识库完善潜力
结构化知识库与语言模型的能力评估，发现 GPT-3 等模型可用于在大规模公开知识库 Wikidata 上进行知识补全，提高精度并增加了 2700 万条事实。
- 预测姓氏网络中的亲属关系
利用智利圣地亚哥的姓氏注册表，我们创建了一个代表社会经济数据的姓氏关联网络，并将其建模为知识库完成问题。我们发现分享邻居（尤其是在嵌入空间中的邻居）是预测新链接形成的高度预测因素，这一发现有助于解释圣地亚哥精英内婚的高水平。
- ZeroKBC: 一项全面的零样本知识库补全基准测试
研究知识图谱不完整问题，并提出全面的基准测试 ZeroKBC，从多维度角度探究零样本知识库完善领域的挑战和未来发展方向。
- 基于 Web 问答和多模态融合的知识库补全
该论文提出了一种基于网络的问题回答系统，运用多模式融合的结构化和非结构化信息，用以填补知识库中的缺失信息，并通过该系统对问题模板进行提取和组合，结合结构化信息和网络上的非结构化信息，从而达到知识库补全的目的。
- 基于实例的知识库补全学习
本研究提出了一个名为 IBL 的知识库补全方法，通过原型实体提供可解释性。IBL 规则不同于语义兼容的规则，实验表明 IBL 规则的效果优于非 IBL 规则。
- 关系预测作为改进多关系图表示的辅助训练目标
本文提出了一种新的自监督训练目标方法，通过简单地将关系预测纳入常用的 1 对所有目标中，实现了对多关系图谱表示学习的良好表述，并通过多个数据集和模型的实验表明，关系预测可以显著提高常用的 KB 完成评估任务中的实体排名效果，并在高多关系数据 - 通过神经符号人工智能将规则和嵌入结合起来用于知识库完成
通过提出两种不同的基于规则的 KBC 方法，并结合神经符号 AI，继承了布尔逻辑到实值逻辑，本文提出的模型实现了最佳的 KBC 精度，并通过将规则 - based KBC 与图嵌入相结合来解决关系路径的不均匀性。
- EMNLP知识库补全与迁移学习结合
本文提出了一种有效的预训练方法，用于从非结构化文本中提取的事实的规范化和非规范化知识库，通过小数据集上实验证明其相对于已有方法的改进，不依赖于大型预先训练的模型（如 BERT）
- BERTnesia: 探究 BERT 中知识的捕捉和遗忘
这篇文章探讨了 BERT 模型如何从它的参数化内存中获取关系知识，并使用知识库补全任务在 BERT 的每一层中进行了测试。作者发现，中间层对于 BERT 模型中的总知识量贡献了很大的部分，同时发现 fine-tune 时，与训练数据和训练目 - ACLDOCENT：从大型文档集合中学习自监督实体表示
本文探讨了从大量相关文本中学习丰富的无监督实体表示。采用我们提出的训练策略，在多项与实体相关的任务中实现了良好的表现，如排序检索、知识库补全、问题回答等，并且无需人类监督。
- 知识图谱补全的图神经网络调查
本篇综述论文分析了应用于知识图谱的图神经网络，重点探讨了其应对知识图谱不完整性的强劲优势，并阐述了相关问题的研究方向和前景。
- 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。
- 时间知识库完成的张量分解
提出一种基于四阶张量的正则化算法和 ComplEx 扩展，针对具有时间限制的链接预测问题，如 (US，has president，？，2012)，并提出了一个大于之前基准的知识库完成的新数据集，用于评估时态和不时态链接预测方法。
- EMNLP通过知识库补全对路径进行推理
本论文探讨了一种简单的方法，使用知识库完成模型（KBC）和学习的嵌入向量，自动构建和排序源实体和目标实体对之间的路径。我们使用获取的生物医学科学文献挖掘了一个知识图，并提取了一组高频路径用于验证。实验结果表明，我们的方法能够有效地排列实体对 - ICLR大规模知识图谱推理的动态修剪信息传递网络
本研究提出了基于动态修剪的消息传递网络 (DPMPN) 来进行大规模知识图谱推理，该模型使用图形式的注意力机制来动态构造和扩展子图，并且能够对输入进行建模，可同时提供图形式的解释和准确的预测，并在知识库完成任务中胜过大部分现有方法。
- HyperKG：基于双曲空间的知识图谱嵌入用于知识库补全
本文提出 HyperKG，一个使用超几何空间来更好地反映知识库的拓扑性质，从而提高知识库完成任务性能的模型，并在各种链接预测数据集中验证了该模型的有效性。
- ACL在知识图谱中学习基于注意力机制的嵌入向量以预测关系
该研究论文提出了基于注意力机制的特征嵌入方法，能有效地捕捉到三元组周边复杂和隐式的信息，并在多个数据集上相对于现有方法实现了显著的性能提升。
- AAAI将 Axiom 注入和知识库补全相结合，实现高效的自然语言推理
本文主要研究逻辑推理领域中文本蕴涵任务的知识需求，提出用基于知识库补全的方法替换基于搜索的公理注入机制可以显著提高现有系统的处理速度和性能。通过实验证明，增加新的知识数据对于 RTE 的性能有积极影响但对处理速度影响不大。
- 正负样本学习综述
该论文综述了 “PU learning”（从正面和未标记数据中学习）的现状，并提出了七个关键的研究问题，旨在探讨如何应对医学诊断和知识库完成等应用中自然产生的这种数据类型。