知识图谱作为人类知识的载体，蕴含着丰富的语义知识，因此支撑着许多上游的应用，例如问答，推荐等。基于知识图谱的推理作为知识图谱问答的基础，也是有着不同的解决框架。本文解读了两篇不同框架的论文：一篇是基于知识图谱的向量嵌入技术，完全基于向量操作进行推理演算；另一篇是基于Neural Logic Programming框架，并进一步解决了数值推理的问题。
随着知识图谱向量嵌入的技术发展，衍生出了另一种基于向量的知识图谱推理方法，与之前的Neural-LP（Neural Logic Programming）类似的推理框架不同，这一推理框架将问题和实体都表示成低维向量，随后通过向量计算实体与问题的相似度，从而选取相似度较高的实体作为问题的答案实体。
然而，之前的方法都是把问题表示为单个向量，但较为复杂的问题可能具有多个答案实体，所以将这种复杂问题表示成语义单一的单个向量明显是不合理的。本文提出了一种Box Embedding的思想，将问题表示成向量空间中的具有一定空间范围的box，这样的query box中就可以自然的包括所有答案实体，充分表示了复杂问题的语义信息。
先前的基于Neural-LP（Neural Logic Programming）框架的模型一般只能在由<实体，关系，实体>组成的知识图谱结构谓词上进行推理，而不能解决涉及到实体属性数值方面的问题，例如“比A年长的人是谁？”本文是在Neural-LP框架上进行了拓展，加入了数值推理的逻辑，解决了数值比较，属性聚合以及求反等三个方面的推理。