Soft Marginal TransE for Scholarly Knowledge Graph Completion
University of Bonn（波恩大学）
知识图谱（KG），即作为语义图的信息表示，为包括问答、推荐和链接预测在内的许多任务提供了重要的测试平台。不同数量的学术元数据已经成为来自不同数据提供者和代理的知识图谱。然而，这些大量的数据在快速增长的同时，在完整性方面仍远未达到质量标准。完成这些幼儿园的大多数尝试都遵循传统的数据数字化，收获和合作策展方法。然而，高级的AI相关方法，如嵌入模型-专为此类任务设计-通常会针对Freebase和Wordnet等标准基准进行评估。这些数据集的定制性质阻止了这些方法揭示更准确的发现。这种模型在特定领域的KG上的应用利用了丰富的元数据，并提供了准确的结果，其中底层领域可以极大地受益。在这项工作中，transE嵌入模型是协调学术元数据的特定链接预测任务。结果表明，在具有学术元数据的数据集上，模型的准确性和性能评估发生了显著变化。新提出的版本的transE获得99.9%的链接预测任务，而原来的transE获得95%。在准确性和Hit@10方面，TransE优于其他嵌入模型，例如在学术知识图谱上进行实验的ComplEx，TransH和TransR
2019-04-27 cs.AI cs.IR cs.LG
Contrastive Matrix Completion with Denoising and Augmented Graph Views for Robust Recommendation
针对现有基于GNN的推荐方法对噪声边敏感、易过拟合的问题，提出结合去噪与增强图视图的对比矩阵补全方法MCCL，通过双视图表示与互学习提升泛化性，在精度和排序指标上均有显著改进。
2025-06-12 cs.AI cs.IR cs.NE
Unifying Ranking and Generation in Query Auto-Completion via Retrieval-Augmented Generation and Multi-Objective Alignment
Apple（苹果公司）；UC Berkeley（加州大学伯克利分校）
提出一个统一框架，通过检索增强生成（RAG）和多目标直接偏好优化（DPO）将查询自动补全重构为端到端列表生成，解决传统流水线长尾覆盖不足和生成方法幻觉风险的问题，并在大规模商业搜索平台上验证了有效性。
2026-02-14 cs.AI cs.IR cs.LG
Learning and Reasoning for Robot Dialog and Navigation Tasks
USTC（中国科学技术大学）；SUNY Binghamton（纽约州立大学宾汉姆顿分校）；UT Austin（德克萨斯大学奥斯汀分校）
强化学习和概率推理算法分别针对交互经验和概率上下文知识进行学习和推理。在这项研究中，我们开发了机器人任务完成算法，同时寻找强化学习和概率推理技术的互补优势。机器人从试错经验中学习，以增强其声明性知识库，并且增强的知识可用于加速潜在不同任务的学习过程。我们已经实施和评估的算法，使用移动机器人进行对话和导航任务。从结果中，我们看到，我们的机器人的性能可以通过与人类知识的推理和学习任务完成的经验来提高。更有趣的是，机器人能够从导航任务中学习，以改进其对话策略。
2020-08-31 cs.AI
Cyber Knowledge Completion Using Large Language Models
Pacific Northwest National Laboratory（西北太平洋国家实验室）
针对CPS网络安全知识不完整导致风险评估困难的问题，提出基于RAG和向量嵌入的方法，利用预训练模型生成攻击模式与对抗技术的结构化映射，有效解决网络攻击知识图谱补全挑战。
2024-09-24 cs.AI cs.CR
RepoCoder: Repository-Level Code Completion Through Iterative Retrieval and Generation
City University of Hong Kong（香港城市大学）；Microsoft Corporation（微软公司）；Wuhan University（武汉大学）
针对仓库级代码补全难以利用跨文件信息的问题，提出RepoCoder框架，通过结合相似性检索器与预训练代码语言模型的迭代检索-生成管道，有效利用仓库信息生成多粒度代码，并发布RepoEval基准，实验证明其性能显著优于基线方法。
2023-10-20 cs.AI cs.CL cs.PL
KGCE: Knowledge-Augmented Dual-Graph Evaluator for Cross-Platform Educational Agent Benchmarking with Multimodal Language Models
Faculty of the School of Computer Science, Central China Normal University（中央财经大学计算机学院）
KGCE提出一种基于多模态语言模型的跨平台教育代理基准评估框架，通过知识库增强和双图评估方法提升对特定学校软件任务的执行效率和评估精度。
2026-01-04 cs.AI
Hybrid-RACA: Hybrid Retrieval-Augmented Composition Assistance for Real-time Text Prediction
Microsoft（微软）
本文提出Hybrid-RACA系统，通过检索增强记忆结合云端大模型与客户端小模型，并采用异步记忆更新机制，在五个数据集上实现了低延迟的高性能实时文本预测。
2024-10-12 cs.AI cs.CL cs.DC
KC-GenRe: A Knowledge-constrained Generative Re-ranking Method Based on Large Language Models for Knowledge Graph Completion
Defense Innovation Institute, Academy of Military Sciences（军事科学院国防创新研究院）；Information Research Center of Military Science（军事科学信息研究中心）；National Key Laboratory of Parallel and Distributed Computing（并行与分布计算国家重点实验室）
提出基于大语言模型的知识约束生成式重排序方法KC-GenRe，通过候选标识符排序生成、知识引导交互训练和知识增强约束推理解决不匹配、错序和遗漏问题，在四个数据集上达到SOTA。
2024-03-26 cs.AI
ToolPlanner: A Tool Augmented LLM for Multi Granularity Instructions with Path Planning and Feedback
XiaoMi AI Lab（小米AI实验室）
针对工具增强LLM训练指令与真实场景脱节、交互过程难遵循指令的问题，该研究构建MGToolBench多粒度指令数据集，提出带路径规划与双反馈的两阶段强化学习框架ToolPlanner，显著提升了多项性能指标。
2024-11-04 cs.AI cs.CL
Type-augmented Relation Prediction in Knowledge Graphs
Rensselaer Polytechnic Institute（伦斯勒理工学院）；IBM Research（IBM研究院）
知识图谱（KGs）对于许多现实世界的应用是非常重要的，但是它们通常遭受以实体之间的缺失关系的形式的不完整信息。知识图谱补全（也称为关系预测）是在现有事实的情况下推断缺失事实的任务。大多数现有的工作是通过最大限度地提高所观察到的实例级三元组的可能性。然而，没有太多的关注，支付的本体信息，如类型信息的实体和关系。在这项工作中，我们提出了一个类型增强的关系预测（TaRP）的方法，在那里我们同时适用于类型信息和实例级信息的关系预测。特别地，将类型信息和实例级信息分别编码为先验概率和关系似然，并按照贝叶斯规则进行组合。我们提出的TaRP方法在四个基准数据集上实现了比最先进方法更好的性能：FB 15 K，FB 15 K-237，YAGO 26 K-906和DB 111 K-174。此外，我们表明，TaRP实现了显着提高数据效率。更重要的是，从一个特定的数据集提取的类型信息可以很好地推广到其他数据集通过所提出的TaRP模型。
2021-02-26 cs.AI cs.CL cs.LG
Improving Few-Shot Inductive Learning on Temporal Knowledge Graphs using Confidence-Augmented Reinforcement Learning
LMU Munich（慕尼黑大学）；Siemens AG（西门子股份公司）
针对时序知识图谱少样本图外链接预测任务，提出结合少样本学习与强化学习的FITCARL方法，通过置信度模块和概念正则化器提升性能，达到当前最优水平。
2023-06-11 cs.AI cs.LG
Athena: Vulnerability-Affected Library Identification via Knowledge Graph Completion
Hanoi University of Science and Technology（河内理工大学）；The University of Sydney（悉尼大学）；Singapore Management University（新加坡管理大学）；The University of Melbourne（墨尔本大学）；Phenikaa University（菲尼卡大学）；Singapore University of Technology and Design（新加坡科技设计大学）
Athena是首个基于图的受漏洞影响库识别方法，将该任务转化为知识图谱补全，经实验在VulLib数据集上显著优于现有基线，平均F1值较最佳基线提升32%。
2026-09-02 cs.AI cs.CR cs.SE
Towards Improving Long-Tail Entity Predictions in Temporal Knowledge Graphs through Global Similarity and Weighted Sampling
USC Information Sciences Institute（USC信息科学研究所）；Adobe Research（Adobe研究）
本文提出模型无关的TKG增量训练框架，通过全局实体相似性增强层和长尾加权采样，提升总体、归纳链接预测及长尾实体预测性能。
2025-07-25 cs.AI cs.LG
