元关系学习：在只有少量样本的情况实现知识图谱推理-Few-shot Reasoning。wRAN：利用关系对抗网络提升长尾部分的关系推理和补全的效能。另外一种知识图谱嵌入模型：DistMult，线性变换嵌入模型。其他推理模型框架：强化学习-基于强化学习的知识图谱路径推理问答。BetaE：基于Beta嵌入的知识图谱多跳逻辑推理。知识图谱嵌入模型：TransE的问题。知识图谱嵌入模型：Analogy。

由原子构成，其中H是头部原子， B1，B2...Bm是体部原子，如has_child（X,Y）:-has_son（X,Y）也可以写成（Student name：x）=>ADD（person name ：x）如果有一个学生名为x那么向事实集中加入一个事实，表示有一个名为x的人。.cn）:-没有体部且没有变量的规则，如：has_child（Alice，Bob）：-原子（Atom）：p（t1,t2,..

原生图是指采用免索引邻接（Index-free adjacency）构建的图数据库引擎，如AllgroGraph，Neo4j等。这种微索引比起全局索引在处理图遍历查询时非常廉价，其查询复杂度与数据集整体大小无关，仅正比与相邻子图的大小。采用免索引邻接的数据库为每一个节点维护了一组指向相邻节点的引用，引用本质上可以看做相邻节点的微索引。

每一个维度都是有数值的，维度远远低于词库大小，通过语料统计学习出来的。称为低维稠密的向量表示，也叫词的嵌入表示。文档向量表示，词出现的次数作为数值，词典大小为文档的大小。缺点：无法表示词的语义。测试三元组（h，r，t）：尾实体预测（h，r，？CBow：wordtoword的模型，前几个词和后几个词预测中间的词。通过统计词上下文语义规律，并通过词的上下文计算词的分布式规律。每个词的大小就是词典的大小

本文提出了一种高效的检测器，成为特征增强、融合和上下文感知YOLO（FFCA-YOLO）（feature enhancement，fusion and context aware YOLO）。FE-YOLO：在YOLO的neck中使用可变形卷积进行高低特征图的特征融合，消除自上而下的连接对物体造成的寓意空白影响。本文（SCAM）：SCAM使用全局平均池化（GAP）和全局最大池化（GMP）指导像素学

聚焦检测方法：高分辨率图像中的小物体往往分布不均匀，一般的分割检测方案会在这些空斑块上消耗过多的计算量，导致推理过程效率低下。上下文建模方法：可以利用环境与物体之间的关系或物体之间的关系来对物体和场景的识别。噪声特征表示：小物体外观质量较差，因此学习具有判别力的表征是非常困难的。SCRDet：设计了一种面向对象的检测器，通过对像素注意力和通道注意力进行有监督的训练消除噪声干扰的同时突出小物体区域。

性能最好的存储方式是基于全索引结构的存储，典型的包括RDF-3X，Hexastore等。图数据库存储并非必须，例如Wikidata项目后端是Mysql实现的。知识图谱的存储需要综合考虑知识结构、图的特点、索引和查询优化等问题。典型的知识图谱存储引擎分为基于关系数据库的存储和基于原生图的存储。二元表也称为垂直划分表。基于关系数据库实现的。Property Tables：属性表存储。最简单的存储：Tr

引入了混合注意力机制：Instance-Level Attention；零样本学习（ZSL）：基于可见标注数据集及可见标签集合，学习并预测不可见数据集结果。方法：转换问题设定；学习输入特征空间到类别描述的语义空间的映射。终身知识抽取（存在知识遗忘问题）基于实体关系原型网络的少样本知识抽取。基本范式：N-way-K-shot。基于表示对齐的终身关系抽取。

.ΛBn表示规则的body部分，有n个原子（atom）组成，H表示规则的head部分，由一个原子组成，每个原子A可以表示为A=r（x，y）形式，r表示原子包含的关系，x，y表示变量。如果规则中的所有变量替换为具体的实体并保证每个实例化后的atom都存在图谱中，这样规则实例化后的结果成为规则的一个grounding。利用Embedding可以非常简便的计算关系的关系，也就是规则。基于思想：将连接两个