本研究探讨了知识图谱嵌入（KGE）中的预测多重性问题，并通过引入投票方法解决冲突预测。研究发现不同负采样方法对链接预测效果有较大差异。

知识图谱表示学习（KGRL）和知识图谱嵌入（KGE）在人工智能应用中起重要作用。这篇综述回顾了负采样方法及其对KGRL的贡献，并提出了开放性研究问题，为KGRL环境下设计有效的负采样方法提供了洞察，推动了该领域的发展。

本文介绍了一种扩展随机游走模型用于知识图谱嵌入的方法，并提出了评估实体关系强度的评分函数。实验证明该方法在FB15K237和WN18RR数据集上取得了准确的嵌入学习结果。

知识图谱表示学习（KGRL）和知识图谱嵌入（KGE）在人工智能应用中起重要作用。本文综述了负采样方法对KGRL的贡献，并分类了不同的负采样方法。同时提出了未来研究的潜在方向。

本文介绍了一种基于地区的知识图谱嵌入方法，通过将关系表示为轴对齐八边形区域，实现了先前知识和学习模型的整合。研究表明，八边形嵌入能够准确捕捉非平凡规则基，并取得了有竞争力的实验结果。

LPWC是一个RDF知识图谱，包含近40万篇机器学习论文的信息，提供科学影响力量化和学术关键内容推荐的新方法。该知识图谱提供多种格式和知识图谱嵌入，可直接应用于机器学习应用中。

该研究探讨了知识图谱嵌入在国际贸易中的应用及其对预测准确性和知识表示可解释性的潜力，同时分析了嵌入方法对其他智能算法的影响。研究结果对决策者、企业家和经济学家有价值的见解。

研究者提出了一种因果增强的知识图谱嵌入（CausE）框架，应用因果干预来估计混杂嵌入的因果效应，并设计了新的训练目标来进行稳定的预测。实验结果表明，CausE 能够胜过基线模型，实现最先进的知识图谱补全性能。

知识图谱嵌入通过将实体和关系表示为向量空间，用于预测缺失的三元组。提出了一种新的因果增强的知识图谱嵌入框架，能胜过基线模型，实现最先进的知识图谱补全性能。