- 为归纳式知识图谱补全构建更好的基准数据集
通过提出一种新的策略构建归纳性的知识图谱补全（Knowledge Graph Completion，KGC）数据集，此策略有助于缓解 Personalized PageRank（PPR）的缺陷，进而使用这些数据集评估了多种常见方法的性能，促 - 基于提示的三通道图卷积神经网络用于观点情感三元组提取
我们提出一种名为 PT-GCN 的新模型，将关系表格转换为图形，以便探索更全面的关系信息，并利用三通道卷积模块提取精确的情感知识，最终实验结果显示我们的模型达到了最先进的性能。
- 无冗余自监督关系学习用于图聚类
提出了一种名为 R$^2$FGC 的新颖自监督深度图聚类方法，它可以从全局和局部视角提取属性和结构级别的关系信息，并通过保持增加节点之间的一致关系和减少冗余关系来学习具有判别性的嵌入表示。实验证明，R$^2$FGC 在广泛使用的基准数据集上 - 知识图谱嵌入的通用预处理操作
本文提出了一组通用预处理算子，可以用于将具有数字、时间、文本和图像信息的知识图谱转换为任何方法可嵌入的形式。在 kgbench 数据集上，使用三种不同的嵌入方法进行实验，结果显示出良好的效果。
- 关系句子嵌入用于灵活语义匹配
研究了建立新的 Relational Sentence Embedding（RSE）范式以更好地发现句子嵌入潜力，提出了一种关联嵌入学习方法，作用在源句子上，推断出使用现有的 Siamese-based encoder 的对应目标句子，从学 - ECCV基于几何关系的深度学习模型在 BIM 对象分类中的应用
该研究论文介绍了一种基于深度学习的两支几何 - 关联框架，以解决建筑信息模型中物体类型在数据交换或在不同域的软件中创建模型时所存在的互通性问题。作者还提供了 IFCNet++ BIM 对象数据集，并表明这种机器学习方法明显突破了以往基于形状 - 基于关系的自监督图学习
本文提出了一种新颖的图表示学习方法 RGRL，它学习自图本身生成的关系信息，并通过全局和局部两个角度来考虑节点之间的关系，从而克服了以前对比和非对比方法的局限性，取得了最佳结果。
- CVPR自动关系感知图网络扩张
提出了一种自动关系感知图网络扩展（ARGNP）方法，该方法通过关系引导的信息传递机制高效搜索 GNN，实验表明其优于当前手工设计和基于搜索的 GNN。
- 基于 Transformer 的知识归属模式挖掘
本文研究了 Knowledge Neurons 框架的知识神经元以及它们在 Transformer 网络中对于事实和关系知识的归因。研究发现，大多数的事实知识可以归属于网络的中高层。而中间层次则更多负责关系信息，最后数层则进一步提炼成实际的 - 多关系模型赋能下一代 POI 推荐
本文提出了一种名为 “MEMO” 的新型框架，该框架利用多网络表示学习模块有效利用异构关系，并采用耦合循环神经网络明确地融合了时间间隔内用户 - POI 相互影响，从而有效地解决了点 of 兴趣推荐中关系异质性的问题。
- 语言模型是否能够在没有基于所见的情况下编码感知结构？以颜色为例的案例研究
本文通过使用预先训练的语言模型，对颜色的结构性关系进行研究，发现在理解色彩的感知结构方面，较为温暖的颜色比较接近于感知颜色空间。
- 乳腺 X 光摄影乳房结节检测的交叉视图关系网络
本文提出了一种新的乳腺 X 光照片肿块检测框架，名为交叉视图关系区域卷积神经网络（CVR-RCNN），对来自两个配对视图的相应质量兴趣区域（ROIs）之间的潜在关系信息进行了捕捉，并在公共和私人数据集上取得了较之前的最新研究方法更出色的结果 - 使用循环神经网络对相簿中人物进行顺序识别
该研究提出使用一种新的循环神经网络架构来建模人物间的关系信息，并将场景上下文与视觉外观一起建模，该方法将序列预测和语境线索结合，达到了最佳的性能表现。
- 使用卷积神经网络对问答对中的关系信息进行建模
本文提出了卷积神经网络来学习问题和回答句子的最佳表现形式，并使用成对匹配的关系信息进行编码，这使得神经网络可以更好地捕捉到问题和答案之间的交互作用，从而有效地提高了准确性。