- 利用大型语言模型进行知识图谱补全的关系预测
通过利用知识图谱节点名称，我们对大型语言模型进行了微调以进行关系预测任务，实验证明我们在广泛使用的知识图谱基准测试中取得了新的成绩。
- 基于结构和文本嵌入的知识图谱补全
在本研究中，我们提出了一种关系预测模型，它利用了知识图中的文本和结构信息，并结合了步行式嵌入和语言模型嵌入来有效地表示节点。通过在一个广泛使用的数据集上进行评估，我们证明了我们的模型在关系预测任务中取得了有竞争力的结果。
- UniVIE：一种基于统一标签空间的表单式文档图像信息提取方法
现有的视觉信息提取方法通常将从表单样式文档中提取信息的过程分解为不同的子任务，我们提出了一种新的视角，将其重新定义为关系预测问题，并统一了不同任务的标签，以解决表单文档中的层次关系。我们提出的统一模型 UniVIE 通过构建树提案和关系解码 - 知识图谱中归纳关系预测的锚定路径
关于使用锚定路径来提高关系预测的方法的研究，通过引入锚定路径减轻了闭合路径的依赖性，实现了全面的预测和高质量的解释。
- VLPrompt：视觉 - 语言提示用于全景场景图生成
利用大型语言模型，提出了一种名为 Vision-Language Prompting (VLPrompt) 的模型，通过结合图像和语言信息，通过基于注意机制的提示网络实现精确的关系预测；实验证明，VLPrompt 显著优于现有 PSG 数据 - 知识图谱中关系预测的可解释表示
该研究提出了一种基于语义相关性子图学习的可解释性表示方法 SEEK，能够提高知识图谱关系预测的性能和解释性。研究评估了 SEEK 在复杂关系预测任务上的表现，并表明了其优于标准学习表示方法。
- 基于分层变压器的关系路径和上下文感知归纳关系预测
本文提出了一种名为 REPORT 的新方法，利用 Transform 器框架同时聚合关系路径和上下文，能够自然地推广到完全归纳设置，实验表明 REPORT 在两个完全归纳数据集的八个版本子集中表现比所有基线方法都要好，同时提供可解释性的预测 - 基于聚类抽样的关系依赖对比学习在归纳关系预测中的应用
本研究提出一种基于关系依赖的对比学习方法（ReCoLe），用于关系推断和知识图谱补全，该方法通过聚类算法的新型采样方法适应对比学习，理论上提高了对未知关系和实体的适应能力，实验表明 ReCoLe 在常用的归纳数据集上性能优于现有方法。
- 基于三元组 BERT 网络的知识图谱精化
本文利用三元组网络和基于 transformer 的语言模型，采用信息聚类方式对知识图谱中的实体或关系进行 embedding，提升关系预测准确性。通过在多个基准知识图谱上的 triplet 分类和关系预测任务的表现验证了 GilBERT - ER: 等变正则化程序用于知识图谱补全
通过引入 Equivariance Regularizer 作为一种新的约束方法，可以通过利用 head 和 tail 实体之间的语义等变性来提高模型的泛化能力，从而有效解决了当前方法中存在的大小参数空间问题，并取得了实验结果上的显着提高。
- 多模式学习基于注意力机制的知识图谱关系预测
本文提出了一种基于注意力机制、利用传递路径信息和局部语义的多模式嵌入模型（ÆMP），用于学习知识图谱中实体和关系的语境化表示，并在多个知识图谱基准上获得了大幅度的预测性能提升。
- 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 - KDD通过常识知识集成进行零样本场景图关系预测
本研究提出了一种结合常识知识的场景图关系预测框架 COACHER，以填补现有场景图生成框架中对未知三元组建模能力的不足，特别是对零样本关系预测的能力，通过在外部常识知识图中建模实体周围的邻域和路径并将其与目前最先进的 SGG 框架结合，进行 - ACL实体概念增强的少样本关系抽取
本文提出了一种新颖的基于实体概念增强的少样本关系提取方案（ConceptFERE），通过计算句子与概念之间的语义相似度，选择最合适的概念，再通过自注意力融合模块建立概念嵌入和句子嵌入之间的联系，提高了关系分类性能。
- BERT 的归纳关系预测
本文提出了一种名为 BERTRL 的解决方案，该方案使用预训练语言模型和 fine-tuning，通过将关系实例及其可能的推理路径作为训练样本，支持归纳学习并在 15 个应用中超越现有技术。
- 基于轨迹感知多模态特征的视频关系检测
本文提出了利用轨迹感知的多模态特征进行视频关系检测，并将此任务分解为物体检测、轨迹提案和关系预测三个子任务，利用最先进的物体检测方法和多模态特征表示来帮助检测物体之间的关系。我们的方法在 ACM Multimedia 2020 的视频关系理 - AAAI归纳式关系推理的沟通信息传递
提出了一种基于子图的神经网络模型 CoMPILE，该模型以专注于本地有向子图结构和强大的归纳偏置为特点，在推理和处理实体无关的语义关系方面具有优越性能。
- ACL通过语料库级别统计合理预测医学关系
该研究介绍了一个新的可解释性框架，利用人类记忆理论为基础，基于全局共现图统计数据和关联网络，预测两个实体之间的关系，可以提供模型的解释和预测。
- 关系变换网络
该论文提出了一种新颖的 transformer 模型，用于场景图生成和关系预测，利用编码器 - 解码器架构和节点和边的丰富特征嵌入，通过自我注意力和交叉注意力模拟节点之间和边与节点之间的交互，并引入适用于处理解码器中的边的新的位置嵌入。
- 关系型信息传递用于知识图谱补全
本研究提出了一种基于关系消息传递的知识图完成方法，它仅使用边缘特征进行关系预测，该方法在许多知识图数据集上胜过现有的方法，并适用于归纳环境，具有可解释性。