- 融合知识图谱嵌入和深度学习的药物不良反应预测模型研究
基于知识图谱嵌入和深度学习的不良药物反应预测模型，可对不良反应进行统一预测，并提供有效的后续安全用药指导。
- 关于知识图谱嵌入方法的表达能力
本文提出了一个数学框架来比较知识图谱嵌入方法的推理能力，并展示了 STransE 相对于 TransComplEx 具有更高的能力，然后提出了新的 STransCoRe 方法，通过与 TransCoRe 相结合，降低了 STransE 的空 - 知识图谱嵌入方法在非敌对攻击下的性能评估
研究通过对 5 个攻击表面（图、参数和标签扰动）的非对抗性攻击评估了 5 种最先进的 KGE 算法在 5 个数据集上的性能影响，结果表明标签扰动对 KGE 性能具有强烈影响，其次是参数扰动具有中等影响，图扰动影响较低。
- 可裁剪的知识图谱嵌入
提出了一种新颖的 KGE 训练框架 MED，通过该框架可以训练一次来获得适用于多个不同维度需求的可裁剪 KGE 模型，模型中的子模型可直接使用而无需额外训练。实验证明 MED 的有效性、高效性和灵活性。
- KG-FIT: 知识图谱细调基于开放世界知识
Knowledge Graph Embedding techniques, such as KG-FIT, effectively incorporate hierarchical entity clusters and open-worl - 人类洞察与人工智能精确度的协调：共同推进知识图任务
通过人工智能与人类的合作，我们设计了一个名为 KG-HAIT 的系统，利用人类对知识图谱的洞察力来改进知识图谱嵌入模型，通过动态规划生成捕捉子图结构特征和语义相似性的人类洞察特征向量，并将其整合到知识图谱嵌入模型的训练中，取得了显著的性能提 - ICML通用正交参数化的知识图谱嵌入泛化
最近的知识图谱嵌入（KGE）研究依赖于欧几里得 / 双曲正交关系变换以建模内在的逻辑模式和拓扑结构。然而，现有方法局限于维度有限和同质几何的刚性关系正交化，导致建模能力不足。本文介绍了一种名为 GoldE 的强大框架，它基于广义 House - SIGIR对知识图谱嵌入进行非定向对抗攻击
通过使用基于规则的攻击策略，我们研究了知识图谱嵌入方法 (KGE methods) 的非目标攻击，目的是降低在一组未知测试三元组上的全局性能，并对 KGE 的鲁棒性进行系统分析。实证实验在两个数据集上，涵盖了三种典型的 KGE 方法类别，证 - AAAI基于递增蒸馏的持续知识图嵌入
基于增量蒸馏的竞争性方法对 CKGE 进行了改进，通过充分利用知识图谱中的显式图结构，优化了学习顺序，并设计了一种新颖的增量蒸馏机制以有效保留旧知识，实验结果表明该方法在平均倒数排名得分上取得了 0.2%-6.5% 的改进。
- COLING在复数空间中使用共轭共享参数的知识图嵌入
本文介绍了一种改进的参数共享方法，通过使用在 Knowledge Graph Embedding 模型中使用的复数的共轭参数以减少计算资源的使用，并在性能上与最先进的非共轭模型相媲美或更快地完成训练。
- KGExplainer：面向知识图谱补全的连接子图解释探索
知识图谱补全（KGC）通过建立知识图谱嵌入（KGE）模型、探索连接子图解释方法和评估器等手段，有效改善知识图谱的不完整性问题，并在人类评估中取得了 83.3% 的最优比例。
- 使用多任务学习的开放知识库规范化
构建大型开放知识库（OKBs）对于许多知识驱动的 Web 应用程序（如 Web 搜索）至关重要。然而，OKBs 中的名词短语和关系短语常常存在冗余和歧义，因此需要研究 OKB 规范化。本文提出了一种名为 MulCanon 的多任务学习框架， - 分布式知识图谱通过扩散模型实现遗忘
本文提出了 FedDM, 一种面向联邦知识图的模型遗忘的新框架，通过扩散模型生成噪声数据以合理地减轻特定知识对 FL 模型的影响，同时保持其对剩余数据的整体性能，并通过对基准数据集进行实验评估证明 FedDM 在知识遗忘方面具有良好的效果。
- 知识图表示学习中的负采样：综述
知识图谱表示学习（KGRL）或知识图谱嵌入（KGE）在知识构建和信息探索的人工智能应用中起着至关重要的作用。这篇综述论文系统地回顾了各种负采样（NS）方法及其对 KGRL 成功的贡献，将现有的 NS 方法按照五个不同的类别进行了分类，并指出 - MQuinE：知识图谱嵌入模型中的 “Z - 悖论” 解决方案
为应对知识图谱嵌入模型中的 Z - 悖论，提出了一种新的 KGE 模型 MQuinE，可以更好地建模各种关系模式，包括对称 / 非对称关系、逆关系、1-N/N-1/N-N 关系和组合关系，并在链接预测任务上表现出较现有模型更好的性能。
- RDF-star2Vec: 用于数据挖掘的 RDF-star 图嵌入
RDF-star2Vec 是一种专为 RDF-star 图设计的新型知识图嵌入模型，通过引入图遍历技术和结构化跳字模型，能够更好地学习 RDF-star 图中的复杂关系和嵌套结构，并在分类、聚类、实体相关性和 QT 相似性等任务上表现出卓越 - 知识图谱嵌入的位置敏感嵌入
知识图谱嵌入主要分为平移距离模型和语义匹配模型，在平移距离模型中，头尾实体的区分能力是一个关键挑战，而新颖的位置敏感嵌入 (LSE) 方法通过使用关系特定的映射来改变头实体，将关系概念化为线性变换，而不是简单的平移，它的理论基础、表现能力和 - 开放知识库规范化与多任务遗忘
构建大型开放知识库（OKB）对移动计算领域的许多应用至关重要，如今存在可组织和消除 OKB 中重复和语义模糊的短语以及保护个人隐私和数据时效性的问题，本研究提出了一种多任务学习框架 MulCanon，通过利用扩散模型中的噪声特征实现机器取消 - 关于知识图谱嵌入和图神经网络在物联网中的研究
通过对知识图谱和图神经网络的研究，我们发现在物联网领域中，采用最新技术的方法在节点分类任务中表现出色，并且图神经网络在链接预测任务方面具有优势。这项初步工作在物联网环境中实现和评估最新方法提供了有价值的见解。
- 通用知识图谱嵌入
从大规模互连的知识源中融合大型知识图谱，以学习通用知识图谱嵌入向量，使得这些嵌入能够在多个知识图谱中进行语义搜索和实体对齐，从而提高链接预测的语义表示能力。