A survey of embedding models of entities and relationships for knowledge graph completion
VinAI Research（VinAI研究院）
关于实体及其关系的真实世界事实的知识图谱（KG）是用于各种自然语言处理任务的有用资源。然而，因为知识图谱通常是不完整的，所以执行知识图谱完成或链接预测是有用的，即，预测不在知识图谱中的关系是否可能为真。本文综述了知识图谱的实体和关系嵌入模型，总结了在标准基准数据集上的最新实验结果，并指出了未来的研究方向。
2020-10-27 cs.AI cs.CL cs.IR
Reasoning Over Paths via Knowledge Base Completion
Healx
大规模知识图谱中的路径推理是一个重要的应用问题。在本文中，我们讨论了一个简单的方法来自动构建和排名之间的源和目标实体对学习嵌入使用知识库完成模型（KBC）的路径。我们通过挖掘可用的生物医学科学文献来组装知识图谱，并提取一组高频路径以用于验证。我们证明，我们的方法是能够有效地排名一对实体之间的已知路径的列表，也拿出似是而非的路径，不存在于知识图谱。对于给定的实体对，我们能够在前10个排名路径中重建60%的最高排名路径，并达到49%的平均精度。我们的方法是组合的，因为任何KBC模型，可以产生实体的矢量表示可以使用。
2019-11-01 cs.AI cs.CL
CAKE: A Scalable Commonsense-Aware Framework For Multi-View Knowledge Graph Completion
Beihang University（北京航空航天大学）；Hikvision Research Institute（海康威视研究院）
知识图谱不可避免地存储了大量的事实三元组，而它们仍然是不完整的。以往的知识图谱完备模型仅仅依靠事实视图数据来预测实体之间的缺失链接，而忽略了有价值的常识知识。以往的知识图谱嵌入技术存在负采样无效和事实视图链接预测不确定等问题，限制了知识图嵌入的性能。为了解决上述挑战，我们提出了一个新的和可扩展的常识感知知识嵌入（CAKE）框架，自动提取常识的事实三元组与实体概念。所生成的常识增强了有效的自我监督，以促进高质量的负采样（NS）和联合常识和事实观点链接预测。KGC任务的实验结果表明，组装我们的框架可以提高原来的KGE模型的性能，和建议的常识感知NS模块是优于其他NS技术。此外，我们提出的框架可以很容易地适应各种KGE模型和解释预测结果。
2022-04-17 cs.AI cs.CL
Assessing LLMs Suitability for Knowledge Graph Completion
Babeş-Bolyai University（巴比什-波雅依大学）
本研究评估三种大语言模型在静态知识图谱补全中的表现，发现提示词含足够信息与示例时，模型可胜任该任务，但存在幻觉与非确定性输出挑战。
2024-07-18 cs.AI cs.CL
An Open-World Extension to Knowledge Graph Completion Models
National University of Science and Technology（国立科技大学）；RheinMain University of Applied Sciences（莱茵美因应用科学大学）
我们提出了一种新的扩展嵌入式知识图谱完成模型，使他们能够执行开放世界的链接预测，即预测事实的基础上，他们的文本描述的训练中看不到的实体。我们的模型结合了从知识图谱中学习的常规链接预测模型和从文本语料库中学习的词嵌入。在独立训练两者之后，我们学习了一个转换，将实体名称和描述的嵌入映射到基于图的嵌入空间。在包括FB 20 k，DBPedia 50 k和我们的新数据集FB 15 k-237-OWE在内的几个数据集上的实验中，我们展示了具有竞争力的结果。特别是，我们的方法利用了完整的知识图谱结构，即使在文本描述很少的情况下，也不需要对图和文本进行联合训练，并且可以应用于任何基于嵌入的链接预测模型，例如transE，complEx和DistMult。
2019-06-19 cs.AI cs.CL
A Survey On Few-shot Knowledge Graph Completion with Structural and Commonsense Knowledge
University of Florida（佛罗里达大学）
知识图谱（KG）已成为各种自然语言处理应用的关键组件。常识知识图谱（CKG）是一种特殊类型的知识图谱，其中实体和关系由自由形式的文本组成。然而，以前的KG完成和CKG完成的工作遭受长尾关系和新添加的关系，没有太多的已知三元组进行训练。鉴于此，Few-Shot KG完成（FKGC），它需要图表示学习和少样本学习的优势，已经被提出来挑战有限的注释数据的问题。在本文中，我们全面调查以前的尝试，这些任务的形式，一系列的方法和应用。具体来说，我们首先介绍FKGC挑战，常用的KG和CKG。然后对已有的研究成果从幼儿园的类型和研究方法两个方面进行了系统的分类和总结。最后，我们介绍了FKGC模型在不同领域的预测任务中的应用，并对FKGC的未来研究方向提出了我们的想法。
2023-01-03 cs.AI cs.CL cs.LG
Multi-level Shared Knowledge Guided Learning for Knowledge Graph Completion
针对知识图谱补全领域缺乏共享知识利用研究的问题，提出数据集与任务双层的共享知识引导学习方法，通过数据集扩充和动态权重多任务学习缓解子任务知识共享失衡，在多个数据集上性能超越现有文本类方法。
2024-05-08 cs.AI cs.CL
Learning Sequence Encoders for Temporal Knowledge Graph Completion
NEC Labs Europe（NEC欧洲实验室）；KU Leuven（鲁汶大学）
知识图谱中链接预测的研究主要集中在静态多关系数据上。在这项工作中，我们考虑时间知识图谱，实体之间的关系可能只在一个时间间隔或一个特定的时间点。与以前的静态知识图谱的工作，我们建议解决这个问题，通过学习潜在的实体和关系类型表示。为了整合时间信息，我们利用递归神经网络来学习关系类型的时间感知表示，这些关系类型可以与现有的潜在因子分解方法结合使用。所提出的方法被证明是强大的共同挑战，在现实世界中的KG：时间表达式的稀疏性和异质性。实验表明，我们的方法对四个时间KG的好处。这些数据集在许可的BSD-3许可证下可用1。
2018-09-10 cs.AI cs.CL
Exploring & Exploiting High-Order Graph Structure for Sparse Knowledge Graph Completion
Harbin Institute of Technology（哈尔滨工业大学）；Singapore Management University（新加坡管理大学）
针对稀疏知识图谱补全性能随稀疏度增加而下降的问题，提出LR-GCN框架，通过推理路径蒸馏器探索高阶图结构并提取逻辑推理知识至GNN预测器，利用变分EM算法联合优化，有效缓解稀疏问题。
2023-06-29 cs.AI cs.CL
Towards Semantically Enriched Embeddings for Knowledge Graph Completion
Telecom Paris（巴黎电信学院）；Institut Polytechnique de Paris（巴黎综合理工学院）；Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）；Technical University of Munich（慕尼黑工业大学）
该愿景论文梳理了基于嵌入的知识图谱补全算法的现有研究，按嵌入生成差异分类讨论多类算法，反思研究现状并提出未来方向，提出可结合LLM与描述逻辑语义增强知识图谱嵌入能力。
2024-07-11 cs.AI cs.CL
Joint Language Semantic and Structure Embedding for Knowledge Graph Completion
Peking University（北京大学）；Washington University in St. Louis（圣路易斯华盛顿大学）；UC Berkeley（加州大学伯克利分校）
完成知识三元组的任务具有广泛的下游应用。结构信息和语义信息在知识图谱的构建中起着重要的作用。不同于以往的方法，依赖于结构或语义的知识图谱，我们提出了联合嵌入的语义在自然语言描述的知识三元组与它们的结构信息。我们的方法嵌入知识图谱的完成任务，通过微调预训练的语言模型相对于概率结构化损失，其中的前向传递的语言模型捕捉语义和损失重建结构。我们在各种知识图谱基准上的大量实验证明了我们方法的最先进性能。我们还表明，我们的方法可以显着提高在低资源制度的性能，由于更好地使用语义。代码和数据集可在https://github.com/pkusjh/LASS上获得。
2022-09-19 cs.AI cs.CL cs.LG
CleanGraph: Human-in-the-loop Knowledge Graph Refinement and Completion
The University of Western Australia（西澳大利亚大学）
本文提出交互式 Web 工具 CleanGraph，通过 CRUD 操作和可插拔模型支持人在回路的知识图谱精炼与补全，以提升图谱数据质量。
2024-05-08 cs.AI cs.CL
Subgraph-Aware Training of Language Models for Knowledge Graph Completion Using Structure-Aware Contrastive Learning
Hanyang University（汉阳大学）
本文提出子图感知训练框架SATKGC，通过子图感知小批量采样和结构感知对比学习，将知识图谱的拓扑结构归纳偏置全面纳入预训练语言模型微调，有效提升了知识图谱补全的准确度。
2026-10-14 cs.AI cs.CL
Knowledge Graph Completion using Structural and Textual Embeddings
School of Computing, University of Georgia（佐治亚大学计算学院）
本文提出一种结合基于游走的嵌入与语言模型嵌入的关系预测模型，利用知识图谱的文本和结构信息有效表示节点，在广泛使用的数据集上取得了有竞争力的结果。
2024-04-24 cs.AI cs.CL
Conditional Diffusion Guided Knowledge Transfer for Multi-Domain Knowledge Graph Completion
Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；UCAS（中国科学院大学）
研究多域知识图谱补全问题，提出基于条件扩散引导的知识转移框架DMKGC，将各知识图谱视为实体信息的部分视图，通过扩散模型生成通用实体嵌入，提升尾实体预测性能。
2026-07-07 cs.AI cs.CL
Text-Augmented Open Knowledge Graph Completion via Pre-Trained Language Models
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Virginia Tech（弗吉尼亚理工大学）
本文提出TAGREAL方法，通过自动生成查询提示并从大规模文本中检索支持信息，利用预训练语言模型实现开放知识图谱补全，在有限训练数据下仍优于现有方法。
2023-05-24 cs.AI cs.CL cs.IR
AgREE: Agentic Reasoning for Knowledge Graph Completion on Emerging Entities
针对新兴实体知识图谱补全难题，提出基于智能体的AgREE框架，结合迭代检索与多步推理，无需训练即显著提升三元组构建性能，最高提升13.7%，并引入新评估方法与基准。
2025-08-06 cs.AI cs.CL
KG-NSF: Knowledge Graph Completion with a Negative-Sample-Free Approach
International University of Rabat（拉巴特国际大学）
知识图谱（KG）的补全是一项重要的任务，它极大地有利于许多领域（例如生物医学研究）的知识发现。近年来，学习KG嵌入来执行这一任务受到了相当大的关注。尽管KG嵌入方法取得了成功，但它们主要使用负采样，导致计算复杂性增加以及由于封闭世界假设而导致的有偏预测。为了克服这些局限性，我们提出了\textbf{KG-NSF}，一个负采样的框架学习KG嵌入的基础上嵌入向量的互相关矩阵。结果表明，该方法实现了可比的链接预测性能负采样为基础的方法，同时收敛速度更快。
2022-07-29 cs.AI cs.CL cs.LG
CoDEx: A Comprehensive Knowledge Graph Completion Benchmark
University of Michigan（密歇根大学）
我们提出了CoDEx，一组从Wikidata和Wikipedia中提取的知识图谱完成数据集，在范围和难度水平上改进了现有的知识图谱完成基准。就范围而言，CoDEx包括三个大小和结构不同的知识图谱，实体和关系的多语言描述，以及数万个看似合理但经验证为错误的硬否定三元组。为了表征CoDEx，我们提供了全面的实证分析和基准测试实验。首先，我们根据逻辑关系模式分析每个CoDEx数据集。接下来，我们报告CoDEx上五个广泛调整的嵌入模型的基线链接预测和三重分类结果。最后，我们将CoDEx与流行的FB 15 K-237知识图谱完成数据集区分开来，表明CoDEx涵盖了更多样化和可解释的内容，并且是一个更困难的链接预测基准。数据、代码和预训练模型可在https://bit.ly/2EPbrJs上获得。
2020-10-06 cs.AI cs.CL cs.IR
Graph Pattern Entity Ranking Model for Knowledge Graph Completion
SOKENDAI（综合研究大学院大学）；National Institute of Informatics（国立信息学研究所）
近年来，知识图谱发展迅速，其有用性已在许多人工智能任务中得到证明。然而，知识图谱往往有很多缺失的事实。为了解决这个问题，许多知识图谱嵌入模型已经被开发出来填充知识图谱，这些都表现出出色的性能。然而，知识图谱嵌入模型是所谓的黑盒，并且用户不知道如何处理知识图谱中的信息，并且模型可能难以解释。在本文中，我们利用知识图谱中的图形模式来克服这些问题。我们提出的模型，{ \it图形模式实体排名模型}（GRank），构建了一个实体排名系统，为每个图形模式，并评估他们使用的排名措施。通过这样做，我们可以找到对预测事实有用的图形模式。然后，我们在标准数据集上执行链接预测任务，以评估我们的GRank方法。我们表明，我们的方法优于其他国家的最先进的方法，如ComplEx和TorusE的标准指标，如HITS@{ \it n}和MRR。此外，我们的模型是很容易解释的，因为输出的事实描述的图形模式。
2019-04-05 cs.AI cs.CL
Path-based knowledge reasoning with textual semantic information for medical knowledge graph completion
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Beijing Unisound Information Technology Co., Ltd（北京云知声信息技术有限公司）
背景知识图（Knowledge Graph，KG），尤其是医学知识图，往往是不完整的，因此需要医学知识图谱的完备性（MedKGC）。MedKGC可以根据KG中已有的知识发现新的事实。基于路径的知识推理算法是解决这一问题的重要途径之一。这种类型的方法由于其高性能和可解释性，近年来受到了极大的关注。实际上，传统的方法如路径排序算法（PRA）将实体对之间的路径作为原子特征。然而，医疗KG是非常稀疏的，这使得它很难建模有效的语义表示极其稀疏的路径特征。医学知识库的稀疏性主要体现在实体和路径的长尾分布上。以往的方法只考虑了知识图谱路径中的上下文结构，而忽略了路径中符号的文本语义，因此在实体稀疏性和路径稀疏性两个方面无法进一步提高性能。针对上述问题，本文提出了两种新的基于路径的推理方法，分别解决实体和路径的稀疏性问题。通过使用预训练的模型BERT，结合实体和关系的文本语义表示，我们将医学KG中的符号推理任务建模为文本语义表示中的数值计算问题。
2021-05-28 cs.AI cs.CL
A Temporal Knowledge Graph Completion Method Based on Balanced Timestamp Distribution
Huazhong University of Science and Technology（华中科技大学）；Hefei University of Technology（合肥工业大学）
通过知识图谱（KGE）的嵌入表示来实现知识完备化是近年来的一个研究热点。现实知识图谱大多与时间相关，而现有的KGE算法大多忽略了时间信息。现有的一些方法直接或间接地对时间信息进行编码，忽略了时间戳分布的均衡性，极大地限制了时态知识图谱补全（KGC）的性能。本文在直接编码时间信息框架的基础上，提出了一种基于时间的KGC方法，将给定的时间片作为时间戳均衡分布的最细粒度。在现实世界中提取的时态知识图谱数据集上的大量实验证明了该方法的有效性。
2021-11-06 cs.AI
Few-Shot Knowledge Graph Completion
University of Notre Dame（圣母大学）；Pennsylvania State University（宾夕法尼亚州立大学）；JD Finance American Corporation（京东金融美国公司）
知识图谱（KG）是各种自然语言处理应用的有用资源。先前的KG完成方法需要大量的训练实例（即，头-尾实体对）。实际情况是，对于大多数关系，只有很少的实体对可用。现有的一次性学习工作限制了方法对Few-Shot场景的推广性，并且没有充分利用监督信息;然而，Few-Shot KG完成尚未得到很好的研究。在这项工作中，我们提出了一种新的Few-Shot关系学习模型（FSRL），旨在发现事实的新关系与Few-Shot参考。FSRL可以有效地从异构图结构中获取知识，聚合Few-Shot引用的表示，并为每个关系匹配引用集的相似实体对。在两个公共数据集上的大量实验表明，FSRL优于最先进的。
2019-11-26 cs.AI cs.CL cs.LG
T-GAP: Learning to Walk across Time for Temporal Knowledge Graph Completion
Seoul National University（首尔国立大学）；Jeonbuk National University（全北国立大学）
与静态知识图谱相比，时态知识图谱本质上反映了现实世界知识的瞬时性。自然，自动TKG完成已经吸引了许多研究兴趣，为更现实的关系推理建模。然而，现有的TKG补全模型大多扩展了静态KG嵌入，没有充分利用TKG结构，因此缺乏1）对查询局部邻域中时间相关事件的考虑，以及2）基于路径的推理，从而促进了多跳推理和更好的可解释性。在本文中，我们提出了T-GAP，一种新的模型TKG完成，最大限度地利用时间信息和图形结构在其编码器和解码器。T-GAP通过关注每个事件和查询时间戳之间的时间位移来编码TKG的查询特定子结构，并通过在图中传播注意力来执行基于路径的推理。我们的实证实验表明，T-GAP不仅实现了卓越的性能对国家的最先进的基线，但也能胜任地推广到查询看不见的时间戳。通过大量的定性分析，我们还表明，T-GAP享有透明的可解释性，并遵循人类的直觉，在其推理过程。
2020-12-19 cs.AI cs.CL cs.LG
A Pre-training Framework for Knowledge Graph Completion
Beijing Jiaotong University（北京交通大学）
知识图谱补全（KGC）是识别知识图谱中新事实的有效方法之一。除少数基于图网络的方法外，大多数KGC方法倾向于基于独立三元组进行训练，难以充分考虑知识网络中包含的全局网络连接信息。为了解决这些问题，在这项研究中，我们提出了一个简单而有效的基于网络的预训练框架知识图谱完成（称为NetPeace），它考虑到全球网络连接和本地三重关系的信息在知识图谱。实验表明，在NetPeace框架中，多个KGC模型在基准测试（例如，TuckER在FB 15 k-237上的命中率提高了36.45%，MRR提高了27.40%），尤其是密集的知识图谱。在具有挑战性的低资源任务中，得益于KG的全局特性，NetPeace比原始模型获得了更高的性能（最高104.03%MRR和143.89%Hit@1改进）。
2023-03-17 cs.AI
Temporal Knowledge Graph Completion using Box Embeddings
University of Oxford（牛津大学）
知识图谱完成是基于知识图谱中的现有数据推断缺失事实的任务。时间知识图谱完成（TKGC）是该任务到时间知识图谱的扩展，其中每个事实另外与时间戳相关联。目前的TKGC方法主要建立在现有的嵌入模型上，这些模型是为（静态）知识图谱完成而开发的，并将这些模型扩展到包含时间，其中的想法是学习实体，关系和时间戳的潜在表示，然后使用学习到的表示来预测在各个时间步丢失的事实。本文在静态知识图谱嵌入模型BoxE的基础上，提出了一种面向TKGC的嵌入模型BoxTE。我们发现，BoxTE是充分的表达，并具有很强的归纳能力的时间设置。然后，我们实证评估我们的模型，并表明它实现了国家的最先进的结果在几个TKGC基准。
2021-09-18 cs.AI cs.LG
Tucker decomposition-based Temporal Knowledge Graph Completion
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；University of Chinese Academy of Sciences（中国科学院大学）
知识图谱已被证明是许多智能应用的有效工具。然而，大量有价值的知识仍然隐含在知识图谱中。为了丰富现有的知识图谱，近年来，许多链接预测和知识图谱嵌入算法被设计用于推断新的事实。但这些研究大多集中在静态的知识图谱上，而忽略了反映知识有效性的时态信息。开发用于时间知识图谱完成的模型是一项日益重要的任务。受4阶张量Tucker分解的启发，本文建立了一个新的时态知识图谱完备化的张量分解模型。我们证明了所提出的模型是充分表达和报告国家的最先进的几个公共基准的结果。此外，我们提出了几种正则化方案来改进该策略并研究它们对所提出模型的影响。在ICEWS 2014、ICEWS 2005 -15、GDELT三个时间数据集上的实验研究证明了我们的设计是合理的，并证明了我们的模型在链接预测任务上的性能优于基线，具有显式的裕度。
2020-11-16 cs.AI
Multilingual Knowledge Graph Completion via Ensemble Knowledge Transfer
UCLA（加州大学洛杉矶分校）；USC（南加州大学）；UPenn（宾夕法尼亚大学）；NUDT（国防科技大学）
预测知识图谱中的缺失事实是知识库构建和推理中的一项重要任务，并且在最近的工作中使用KG嵌入已经成为许多研究的主题。虽然现有的KG嵌入方法主要学习和预测单个KG中的事实，但考虑到不同的KG在数据质量和覆盖范围方面有自己的优势和局限性，更合理的解决方案将受益于多语言特定KG中的知识。这是相当具有挑战性的，因为知识在多个独立维护的KG之间的传递常常受到比对信息不足和所描述事实不一致的阻碍。在本文中，我们提出了KEnS，一个新的框架嵌入学习和集成知识转移在一些特定语言的KG。KEnS将所有KG嵌入到一个共享的嵌入空间中，其中实体的关联是基于自学习捕获的。然后，KEnS执行集成推理，以组合来自多个语言特定KG的嵌入的预测结果，其中研究了多个集成技术。五个真实世界的语言特定的KG上的实验表明，KEnS不断提高国家的最先进的方法对KG完成，通过有效地识别和利用互补的知识。
2020-10-08 cs.AI cs.CL cs.LG
KG-TRICK: Unifying Textual and Relational Information Completion of Knowledge for Multilingual Knowledge Graphs
Apple（苹果公司）；Sapienza University of Rome（罗马大学）；Adobe（奥多比公司）
本文提出 KG-TRICK 序列到序列框架，将多语言知识图谱的关系补全 KGC 与文本增强 KGE 统一建模，并发布涵盖10种语言、逾25,000个实体的 WikiKGE10++ 基准。
2025-01-07 cs.AI cs.CL cs.LG
HERGC: Heterogeneous Experts Representation and Generative Completion for Multimodal Knowledge Graphs
University of Minnesota（明尼苏达大学）
针对多模态知识图补全在封闭世界假设下推理受限的问题，提出HERGC框架，通过异构专家表示检索器融合多模态信息并生成候选集，再利用生成式LLM预测器准确识别答案，在三个基准上取得优于现有方法的性能。
2025-08-08 cs.AI cs.CL cs.LG
Model-based Subsampling for Knowledge Graph Completion
Nara Institute of Science and Technology（奈良科学技术研究所）；Hokkaido University（北海道大学）
针对现有知识图谱嵌入子采样方法易低估低频查询出现概率的问题，提出基于模型预测估计查询概率的MBS和MIX方法，在多个数据集上提升了主流KGE模型的补全性能。
2023-09-17 cs.AI cs.CL cs.LG
Knowledge Graph Completion based on Tensor Decomposition for Disease Gene Prediction
Beijing Jiaotong University（北京交通大学）
准确识别疾病基因一直是破解疾病分子机制的关键之一。目前的方法大多集中在构建生物网络和利用机器学习，特别是深度学习来识别疾病基因，而忽略了生物知识图谱中实体之间的复杂关系。在本文中，我们构建了一个生物知识图谱为中心的疾病和基因，并开发了一个端到端的知识图谱完成模型的疾病基因预测，使用international张量分解（称为KDGene）。KDGene在张量分解中引入了实体嵌入与关系嵌入的交互模块，有效地增强了生物知识中的信息交互。实验结果表明，KDGene显着优于国家的最先进的算法。此外，对糖尿病病例的全面生物学分析证实了KDGene识别新的准确候选基因的能力。本文提出了一个可扩展的知识图谱完成框架，用于疾病候选基因的识别，其结果有望为进一步的湿实验提供有价值的参考。
2023-03-16 cs.AI
Fast Knowledge Graph Completion using Graphics Processing Units
ETRI（韩国电子通信研究院）
针对知识图谱补全中向量运算成本高的问题，提出基于GPU的框架，将可转换为度量空间的模型的补全问题转为相似连接问题，推导公式并开发快速算法，实验验证了高效性。
2023-07-22 cs.AI cs.DB cs.LG
From Discrimination to Generation: Knowledge Graph Completion with Generative Transformer
Zhejiang University（浙江大学）；AZFT Joint Lab for Knowledge Engine（AZFT知识引擎联合实验室）；Alibaba Group（阿里巴巴集团）
知识图谱完成旨在解决扩展具有缺失三元组的KG的问题。在本文中，我们提供了一种方法GenKGC，它转换知识图谱完成序列到序列生成任务与预先训练的语言模型。我们进一步引入了关系引导的演示和实体感知的分层解码，以实现更好的表示学习和快速推理。在三个数据集上的实验结果表明，该方法可以获得比基线更好或相当的性能，并且与先前使用预训练语言模型的方法相比，可以获得更快的推理速度。我们还发布了一个新的大规模中文知识图谱数据集AliopenKG 500用于研究目的。代码和数据集可在https://github.com/zjunlp/PromptKG/tree/main/GenKGC上获得。
2023-03-14 cs.AI cs.CL cs.DB
On Event-Driven Knowledge Graph Completion in Digital Factories
Ludwig-Maximilians Universität Munich（慕尼黑路德维希-马克西米利安大学）；Oxford University（牛津大学）；Max-Planck-Institut für Informatik（马克斯·普朗克信息学研究所）；Siemens AG CT（西门子股份公司中央研究院）；Siemens PLM Software（西门子产品生命周期管理软件公司）
智能工厂配备了能够感知其制造环境、相互交互并控制生产流程的机器。这种工厂的平稳运行要求进行其监测和诊断的机器和工程人员共享关于工厂的详细的共同工业知识，例如，以知识图谱的形式。创建和维护这些知识是昂贵的，需要自动化。在这项工作中，我们展示了专门针对工业应用的机器学习如何帮助完成知识图谱。特别是，我们展示了知识完成如何从智能工厂中常见的事件日志中受益。我们在来自真实世界启发的智能工厂的知识图谱上对此进行了评估，取得了令人鼓舞的结果。
2021-09-08 cs.AI cs.LG
Multilingual Knowledge Graph Completion with Joint Relation and Entity Alignment
Indian Institute of Technology Delhi（印度理工学院德里分校）；Indian Institute of Technology Bombay（印度理工学院孟买分校）
知识图谱完备（KGC）预测不完整知识图谱中缺失的事实。几乎所有现有的KGC研究都只适用于一个KG，并且只适用于一种语言。然而，不同的语言使用者可能会以他们的语言维持单独的幼儿园，并且预计不会有单独的幼儿园。此外，这些知识群中的共同实体或关系具有不同的表面形式和ID，导致ID扩散。实体对齐（EA）和关系对齐（RA）任务通过识别不同KG中表示相同实体（关系）的实体（关系）ID对来解决这个问题。这可以进一步帮助预测缺失的事实，因为来自一个KG的知识可能有利于完成另一个KG。高置信度预测还可以为对准任务添加有价值的信息。作为回应，我们研究了联合训练多语言KGC，关系对齐和实体对齐模型的新任务。我们提出了ALIGNKGC，它使用一些种子比对，共同优化所有三个KGC，EA和RA损失。ALIGNKGC的一个关键组成部分是基于嵌入的非对称重叠的软概念，定义在关系的（主体，客体）集合签名上，这有助于更好地预测与其他关系等效或隐含的关系。DBPedia在五种语言中的广泛实验建立了联合训练对所有任务的好处，在每个单语KG上，ALIGNKGC在强大的最先进的单KGC系统完成模型上实现了10-32的MRR改进。此外，ALIGNKGC在EA和RA任务中实现了合理的收益，超过了KG的香草完成模型，该模型结合了所有事实而没有对齐，强调了联合培训对这些任务的价值。
2021-04-18 cs.AI cs.CL cs.LG
Progressive Knowledge Graph Completion
Tsinghua University（清华大学）；Carnegie Mellon University（卡内基梅隆大学）；Ping An Technology (Shenzhen) Co., Ltd.（平安科技（深圳）有限公司）；Baidu Inc.（百度公司）
针对传统知识图谱补全任务与真实场景契合度低的问题，本文提出模拟真实KG逐步构建的PKGC任务，设计两个加速模块提升挖掘效率，实验发现链接预测性能无法代表PKGC表现，并明确了未来研究方向。
2024-04-15 cs.AI cs.CL cs.LG
Edge-Enabled Anomaly Detection and Information Completion for Social Network Knowledge Graphs
School of Information Science and Technology, Shihezi University（石河子大学信息科学与技术学院）
本文针对边缘计算环境下公安社交知识图谱的实时补全与数据质量问题，提出轻量级分布式补全架构、PDQA人员数据质量评估方法和模型剪枝算法，使RotatE模型在规模减少70%的情况下hits@10达到86.97%。
2024-01-13 cs.AI cs.CL cs.LG
Transformer-Based Multimodal Knowledge Graph Completion with Link-Aware Contexts
Department of Computer and Information Science and Engineering, University of Florida（计算机与信息科学与工程系，佛罗里达大学）
提出一种结合基于Transformer的KGE模型与预训练VLM生成跨模态上下文的新方法，通过将视觉信息转为文本序列并以序列到序列任务微调模型，有效减小了模型规模并在多个大规模数据集上取得竞争力表现。
2025-09-15 cs.AI cs.CL cs.LG
A Review of Knowledge Graph Completion
University of North Dakota（北达科他大学）
信息抽取方法被证明是有效的三重提取结构化或非结构化数据。将这种三元组以（头实体、关系、尾实体）的形式组织起来，称为知识图谱（KG）的构建。目前的知识图谱大多是不完整的。为了在下游任务中使用KG，期望预测KG中的缺失链接。最近已经提出了不同的方法，通过将实体和关系嵌入到低维向量空间中，旨在基于先前访问的三元组预测未知的三元组，来进行KG的表示学习。根据三元组的独立或依赖处理方式，将知识图谱的完成分为传统的和图神经网络的表示学习两种，并对它们进行了详细的讨论。在传统方法中，每个三元组将被独立处理，而在基于GNN的方法中，三元组还考虑它们的局部邻域。查看全文
2022-08-24 cs.AI
GenIC: An LLM-Based Framework for Instance Completion in Knowledge Graphs
University of Passau（巴伐利亚大学）
本文提出基于LLM的两步生成式知识图谱实例补全框架GenIC，结合实体文本描述与LLM能力，通过多标签分类进行属性预测和序列到序列生成进行链接预测，在三个数据集上优于现有基线。
2025-05-29 cs.AI cs.IR
MACO: A Modality Adversarial and Contrastive Framework for Modality-missing Multi-modal Knowledge Graph Completion
Zhejiang University（浙江大学）
针对多模态知识图谱补全中的模态缺失问题，提出MACO框架，通过对抗生成缺失模态特征并结合跨模态对比损失，实现最先进性能且可适配多种MMKGC模型。
2023-08-13 cs.AI cs.CL cs.MM
DrKGC: Dynamic Subgraph Retrieval-Augmented LLMs for Knowledge Graph Completion across General and Biomedical Domains
University of Minnesota（明尼苏达大学）；University of Michigan（密歇根大学）
DrKGC通过轻量级训练学习结构嵌入与逻辑规则，结合自底向上动态子图检索和GCN适配器增强提示，提升LLM在通用及生物医学知识图谱补全中的性能与可解释性。
2025-11-10 cs.AI cs.CL cs.LG
S$^2$DN: Learning to Denoise Unconvincing Knowledge for Inductive Knowledge Graph Completion
Hunan University（湖南大学）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Xiangtan University（湘潭大学）
针对归纳式知识图谱补全中相似关系语义不一致及不可信知识导致噪声交互的问题，提出语义结构感知去噪网络S$^2$DN，通过语义平滑和结构精炼模块提取一致语义并保留可靠交互，在三个基准上超越现有模型。
2024-12-20 cs.AI cs.CL cs.LG
TA-KAND: Two-stage Attention Triple Enhancement and U-KAN based Diffusion For Few-shot Knowledge Graph Completion
Shanghai Jiao Tong University（上海交通大学）
TA-KAND通过两阶段注意力三重增强和U-KAN扩散模型，解决少样本知识图谱补全问题，实验表明其在两个公开数据集上表现优异。
2026-02-13 cs.AI cs.LG
Simple but Effective Compound Geometric Operations for Temporal Knowledge Graph Completion
College of Computer Science, Nankai University（南开大学计算机学院）；College of Software, Nankai University（南开大学软件学院）；College of Artificial Intelligence, Tianjin University of Science and Technology（天津科技大学人工智能学院）；China Automotive Technology and Research Center Co., Ltd.（中国汽车技术研究中心有限公司）
针对现有单几何操作时序知识图谱补全方法捕捉复杂时序动态性的局限，提出融合时间特定与关系特定两种几何操作的TCompoundE方法，经数学证明与实验验证其编码能力和性能均优于现有模型。
2024-08-13 cs.AI
Simple Augmentations of Logical Rules for Neuro-Symbolic Knowledge Graph Completion
Indian Institute of Technology, Delhi（印度德里理工学院）
针对神经符号知识图谱补全中规则覆盖率不足的问题，本文提出溯因转换、逆关系等价规则和随机游走三种规则增强并剪枝低质规则，在多数据集上稳定提升MRR与Hits@1。
2024-07-02 cs.AI cs.CL cs.IR
History Repeats: Overcoming Catastrophic Forgetting For Event-Centric Temporal Knowledge Graph Completion
针对事件中心时序知识图谱补全中的灾难性遗忘问题，本文提出一种通用持续训练框架，结合时序正则化与聚类经验回放，在适应新事件的同时有效保留旧知识。
2023-05-30 cs.AI cs.CL cs.LG
Knowledge Graph Completion for Action Prediction on Situational Graphs -- A Case Study on Household Tasks
University of Stavanger, Information Access（斯塔万格大学信息访问与人工智能研究所）；Honday Research Institute Europe, Germany（霍恩戴欧洲研究 institute）；University of Mannheim, Data（曼海姆大学数据与网络科学研究所）
本文以家务任务为案例，研究情境知识图谱上的动作预测问题，指出其特殊特征使许多标准链接预测算法失效，甚至不如简单基线。
2025-08-19 cs.AI
Inductive Learning on Commonsense Knowledge Graph Completion
University of Southern California（南加州大学）；Stanford University（斯坦福大学）
常识知识图谱（CKG）是一种特殊类型的知识图谱（KG），其中实体由自由形式的文本组成。然而，大多数现有的CKG完成方法集中在所有实体都在训练时呈现的设置上。虽然这种设置是标准的传统幼儿园完成，它有限制CKG完成。在测试时，CKG中的实体可能是不可见的，因为它们可能具有不可见的文本/名称，并且实体可能与训练图断开连接，因为CKG通常非常稀疏。在这里，我们建议研究CKG完成的归纳学习设置，其中看不见的实体可能会出现在测试时。我们开发了一个新的学习框架命名为归纳。与以前的方法不同，归纳E通过直接从原始实体属性/文本计算实体嵌入来确保归纳学习能力。InductiveE由一个自由文本编码器、一个图形编码器和一个KG完成解码器组成。具体地，自由文本编码器首先基于预训练的语言模型和词嵌入来提取每个实体的文本表示。图编码器是门控关系图卷积神经网络，其从密集图中学习以进行更多信息实体表示学习。我们开发了一种方法，通过增加语义相关的实体之间的边缘，并提供更多的支持信息，未知实体，导致更好的泛化能力的实体嵌入未知实体的CKG致密。最后，归纳E采用Conv-TransE作为CKG完成解码器。实验结果表明，在ATOMIC和ConceptNet基准测试中，InductiveE在标准和归纳设置中的性能都明显优于最先进的基线。InductivE在感应场景中表现得特别好，与现有方法相比，它实现了48%以上的改进。
2021-02-17 cs.AI
KGxBoard: Explainable and Interactive Leaderboard for Evaluation of Knowledge Graph Completion Models
NEC Laboratories America（NEC美国实验室）；University of Mannheim（曼海姆大学）；NEC Laboratories Europe（NEC欧洲实验室）；Carnegie Mellon University（卡内基梅隆大学）；Inspired Cognition（Inspired Cognition公司）
知识图谱（KG）以（头、谓词、尾）三元组的形式存储信息。为了用新知识来增强KG，研究人员提出了KG完成（KGC）任务的模型，如链接预测;即，回答（h; p;？）或（？; p; t）查询。这样的模型通常是在一个测试集上用平均度量进行评估的。虽然对跟踪进度很有用，但平均单分指标无法揭示模型到底学到了什么，或者没有学到什么。为了解决这个问题，我们提出KGxBoard：一个交互式框架，用于对有意义的数据子集进行细粒度评估，每个子集都测试KGC模型的个人和可解释能力。在我们的实验中，我们强调了我们使用KGxBoard发现的发现，这是不可能用标准平均单分指标检测到的。
2022-08-23 cs.AI
KRACL: Contrastive Learning with Graph Context Modeling for Sparse Knowledge Graph Completion
Tsinghua University（清华大学）；University of Washington（华盛顿大学）；University of Virginia（弗吉尼亚大学）
知识图谱嵌入（KGE）旨在将实体和关系映射到低维空间，并已成为知识图谱完成的\textit{de-facto}标准。大多数现有的KGE方法都受到稀疏性挑战的影响，难以预测在知识图谱中出现频率较低的实体。在这项工作中，我们提出了一个新的框架KRACL，以减轻与图上下文和对比学习的KG中广泛存在的稀疏性。首先，我们提出了知识关系注意力网络（KRAT），利用图上下文，同时投影相邻三元组到不同的潜在空间，并与注意力机制联合聚合消息。KRAT能够捕获不同上下文三元组的微妙语义信息和重要性，以及利用知识图谱中的多跳信息。其次，将对比损失与交叉熵损失相结合，提出了知识对比损失，引入了更多的负样本，从而丰富了对稀疏实体的反馈。我们的实验表明，KRACL在各种标准知识图谱基准测试中取得了优异的结果，特别是在具有大量低度实体的WN 18 RR和NELL-995上。大量的实验也证明了KRACL在处理稀疏知识图谱和对噪声三元组的鲁棒性方面的有效性。
2023-02-13 cs.AI
Federated Knowledge Graph Completion via Latent Embedding Sharing and Tensor Factorization
City University of Hong Kong（香港城市大学）；UESTC（电子科技大学）；Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳））；ByteDance Research（字节跳动研究院）
针对现有联邦知识图谱补全框架的隐私泄露、优化失效和计算成本高等问题，提出FLEST方法，通过联邦张量分解和潜在字典嵌入共享，在性能与隐私间取得平衡。
2023-11-17 cs.AI cs.LG
Temporal Knowledge Graph Completion: A Survey
Deakin University（迪肯大学）；CNPIEC KEXIN, Ltd（中国图书进出口（集团）总公司科信有限公司）
本文首次综述时序知识图谱补全（TKGC），概述其背景、方法分类及未来方向，强调利用时间戳捕捉动态演化以提升预测准确性。
2022-01-16 cs.AI cs.LG
