今天分享的主要是关注知识推理，以及知识图谱补全方面的工作，相关内容包括：
1.论文名称：Leveraging Demonstrations for Reinforcement Recommendation Reasoning over Knowledge Graphs
作者：Kangzhi Zhao，Xiting Wang，Yuren Zhang，Li Zhao，Zheng Liu，Chunxiao Xing，Xing Xie（https://www.microsoft.com/en-us/research/people/xingx/）
论文地址： https://www.aminer.cn/pub/5f0277e911dc830562231e00
导读：知识图谱被广泛用于提高推荐准确度。知识图谱上的多跳用户-物品连接还提供了关于为什么推荐某个项的推理。然而，路径推理是一个复杂的组合优化问题。传统的推荐方法通常采用蛮力方法来寻找可行路径，这导致了与可解释性和收敛性相关的问题。在本文中，我们通过更好地监督寻路过程来解决这些问题。关键思想是用最小的标记努力提取不完美的路径演示，并有效地利用这些演示来指导寻路。特别地，作者设计了一个基于演示的知识图推理框架用于可解释推荐。作者还提出了一个反面的actor批评家(ADAC)模型用于演示导向的寻路。在三个真实基准上的实验表明，该方法比最先进的基准方法更快地收敛，并且具有更好的推荐精度和可解释性。

2.论文名称End-to-end Structure-Aware Convolutional Networks for Knowledge Base Completion
作者：Chao Shang, Yun Tang, Jing Huang, Jinbo Bi, Xiaodong He, Bowen Zhou
论文地址：https://www.aminer.cn/pub/5c04967517c44a2c7470911c
导读：本文提出了一种新的知识图谱向量学习方法用于 Link 预测。该方法针对此前的 ConVE 模型的缺点：(1) 没有学习到知识图谱中节点在图谱中的结构特性；(2) 没有保留向量的平移不变性 (subject + relation = object)。为此作者将 WGCN 与一个改进版的 ConvE (Conv-TransE) 结合起来，这样在 encoding 阶段 (by WGCN) 能利用知识图谱结构特征和节点属性，在 decoding 阶段 (by Conv-TransE) 保留向量的平移不变性。实验证明在 FB15k-237 和 WN18RR 两个数据集上的表现比 DistMult、ComplEx、R-GCN 和 ConvE 有大幅的提升。

3.论文名称：TeMP: Temporal Message Passing for Temporal Knowledge Graph Completion
作者：Jiapeng Wu, Meng Cao, Jackie Chi Kit Cheung and William L. Hamilton
论文地址：https://www.aminer.cn/pub/5f7eedec91e011a5faf10022
导读：本文的工作针对动态知识图谱 (在原来的三元组上加入一个时间戳) 补齐问题，提出了一套时序信息传递框架 (TeMP)。该方法设计了一个两层的 encoder 结构：以 R-GCN 作为 encoder 的第一层来学习结构信息；作者考虑两种不同的结构来学习时序信息，作为 encoder 的第二层 (以第一层的 embedding 作为输入)：(1) 一种基于 GRU 的 encoder 结构和 (2) 一种仿造 transformer attention 的 encoder 结构。此外该文章为了应对实体在时序上的稀疏问题和变动问题分别提出了两个模型增强方法。该方法与许多静态、动态的知识图谱表示学习模型对比，取得了SOTA的表现。