Boosting the Speed of Entity Alignment 10*: Dual Attention Matching Network with Normalized Hard Sample Mining
East China Normal University（华东师范大学）；Alibaba Group（阿里巴巴集团）
在多源知识图谱之间寻找等价实体是知识图集成的关键步骤，也称为\emph{entity alignment}（EA）。然而，大多数现有的EA方法是低效的，可扩展性差。最近的一份摘要指出，其中一些甚至需要几天时间来处理包含20万个节点的数据集（DWY 100 K）。我们认为，图编码器过于复杂和负采样策略效率低下是两个主要原因。本文提出了一种新颖的KG编码器--双注意力匹配网络（Dual-AMN），它不仅能灵活地对图内和图间信息进行建模，而且大大降低了计算复杂性。此外，我们还提出了归一化硬样本挖掘损失，以减少损失漂移，顺利地选择硬负样本。在广泛使用的公共数据集上的实验结果表明，该方法实现了高精度和高效率。在DWY 100 K上，我们的方法的整个运行过程可以在1,100秒内完成，比以前的工作至少快10倍。我们的方法在所有数据集上的性能也优于以前的作品，其中Hits@1和MRR从6%提高到13%。
2021-03-29 cs.AI
Relation-Aware Network with Attention-Based Loss for Few-Shot Knowledge Graph Completion
Iowa State University（爱荷华州立大学）
针对少样本知识图谱补全中随机负采样导致的零损失问题，提出RANA框架，通过注意力损失和动态关系感知实体编码器提升模型性能。
2025-07-04 cs.AI cs.CL cs.LG
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
Unifying Structure and Language Semantic for Efficient Contrastive Knowledge Graph Completion with Structured Entity Anchors
Naver Corp.（Naver公司）
针对现有融合文本与结构的KGC方法性能不足或丧失归纳能力的问题，提出带结构化实体锚点的对比学习方法，统一结构与语义表示且保留归纳能力，在标准基准上性能超越现有SOTA模型。
2023-11-07 cs.AI cs.CL cs.LG
Learning Relation-Specific Representations for Few-shot Knowledge Graph Completion
Hefei University of Technology（合肥工业大学）
近年来，Few-Shot知识图谱补全（FKGC）的研究越来越受到人们的关注。FKGC的目标是利用关系的几个参考三元组来推断Few-Shot关系的不可见查询三元组。现有的FKGC方法的主要焦点在于学习关系表示，可以反映查询和引用三元组共享的公共信息。为此，这些方法从头部和尾部实体的直接邻居学习实体对表示，然后聚合参考实体对的表示。然而，仅从直接邻居学习的实体对表示在所涉及的实体具有稀疏直接邻居或与其他实体共享公共局部邻居时可能具有低表达性。此外，仅仅对头和尾实体的语义信息进行建模不足以准确地推断它们的关系信息，特别是当它们具有多个关系时。为了解决这些问题，我们提出了一个特定的上下文学习（RSCL）框架，它利用图上下文的三元组学习全球和本地关系特定的表示Few-Shot关系。具体来说，我们首先为每个三元组提取图上下文，这可以提供长期的实体关系依赖关系。为了对提取的图上下文进行编码，我们提出了一个层次化的注意力网络来捕获三元组的上下文信息，并突出显示实体的有价值的局部邻域信息。最后，我们设计了一个混合注意力聚合器来评估查询三元组在全局和局部水平上的可能性。在两个公开数据集上的实验结果表明，RSCL优于最先进的FKGC方法。
2022-09-27 cs.AI cs.CL
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
Flow-Modulated Scoring for Semantic-Aware Knowledge Graph Completion
Dalian University of Technology（大连理工大学）；Beijing Institute of Technology（北京理工大学）；University of Manchester（曼彻斯特大学）；Renmin University of China（中国人民大学）；Beijing Academy of Artificial Intelligence（北京人工智能研究院）
针对现有知识图谱补全方法难以兼顾语义上下文与关系动态性的问题，提出流调制评分框架FMS，结合静态语义嵌入与条件动态流调制评分，在多个基准任务上以极少参数取得SOTA性能，提供了高效参数的补全新范式。
2025-08-30 cs.AI cs.CL
Enhancing Knowledge Graph Completion with Entity Neighborhood and Relation Context
University of Science and Technology of China（中国科学技术大学）；Tencent Company（腾讯公司）；Institute of Artificial Intelligence, Hefei Comprehensive National Science Center（合肥综合性国家科学中心人工智能研究院）
提出KGC-ERC框架，融合实体邻域和关系上下文增强生成式语言模型的知识图谱补全，并引入采样策略，在多个数据集上优于或匹配现有最优方法。
2025-03-29 cs.AI cs.CL cs.DB
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
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
PEARL: Path-Entity Aligned Relational Learning with Contextual Subgraphs for Inductive Knowledge Graph Completion
School of Mathematics, Shandong University（山东大学数学学院）；School of Physical and Mathematical Sciences, Nanyang Technological University（南洋理工大学物理与数学科学学院）；Data Science Institute, Shandong University（山东大学数据科学研究院）
PEARL是一种结合上下文子图建模、LLM引导路径检索与双视图对比学习的归纳式知识图谱补全框架，在WN18RR等三个基准数据集上取得最优平均Hits@10，验证了其核心组件的有效性。
2026-09-03 cs.AI
BESS: Balanced Entity Sampling and Sharing for Large-Scale Knowledge Graph Completion
Graphcore（Graphcore公司）
我们将获奖作品提交给OGB-LSC@NeurIPS 2022的WikiKG 90 Mv 2轨道。该任务是在由90 M+节点和600 M+边组成的大规模知识图谱WikiKG 90 Mv 2上进行链接预测。我们的解决方案使用了$85$知识图谱嵌入模型的多样化集成，结合了五种不同的评分函数（transE，transH，RotatE，DistMult，ComplEx）和两种不同的损失函数（对数S形，采样softmax交叉熵）。每个单独的模型都使用BESS（平衡实体采样和共享）在Graphcore Bow Pod $_{16}$上并行训练，BESS是一种基于工作者之间平衡集体通信的KGE训练和推理的新分布框架。我们最终的模型达到了0.2922的验证MRR和0.2562的测试挑战MRR，赢得了比赛的第一名。该代码可在https://github.com/graphcore/distributed-kge-poplar/tree/2022-ogb-submission上公开获取。
2022-11-22 cs.AI cs.LG
Context-aware Inductive Knowledge Graph Completion with Latent Type Constraints and Subgraph Reasoning
The Chinese University of Hong Kong（香港中文大学）；International Digital Economy Academy（国际数字经济研究院）；Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；University of Cambridge（剑桥大学）
本文提出上下文感知归纳式知识图谱补全方法CATS，通过结合潜在类型约束与子图推理并利用大语言模型，在多数直推、归纳和少样本设置中显著超越现有方法。
2024-12-27 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
Open-World Knowledge Graph Completion
University of Notre Dame（圣母大学）
知识图谱已被应用于许多任务，包括Web搜索、链接预测、推荐、自然语言处理和实体链接。然而，大多数幼儿园还远未完成，正在迅速发展。为了解决这些问题，知识图谱补全（KGC）已经被提出来通过填充其缺失的连接来改进知识图谱。与保持封闭世界假设的现有方法不同，即在KGs是固定的，新的实体不能很容易地添加，在目前的工作中，我们放松了这一假设，并提出了一个新的开放世界KGC任务。作为解决这个问题的第一次尝试，我们引入了一个开放世界的KGC模型，称为ConMask。该模型学习实体名称及其部分文本描述的嵌入，以将未见过的实体连接到KG。为了减轻嘈杂的文本描述的存在，ConMask使用依赖于关系的内容掩蔽来提取相关的片段，然后训练一个完全的卷积神经网络来将提取的片段与KG中的实体融合。在大型数据集上的实验表明，ConMask在开放世界KGC任务中表现良好，甚至在标准封闭世界KGC任务中表现优于现有的KGC模型。
2017-11-09 cs.AI cs.CL
On the Effectiveness of Knowledge Graph Embeddings: a Rule Mining Approach
Peoples' Friendship University of Russia (RUDN University)（俄罗斯人民友谊大学（卢蒙巴大学））；Joint Institute for Nuclear Research（联合核研究所）；Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）；University of Skövde（舍夫德大学）；Comenius University in Bratislava（布拉迪斯拉发夸美纽斯大学）；University of Bergen（卑尔根大学）
研究了知识图谱嵌入算法在规则挖掘的知识图谱完备化中的有效性。更具体地说，我们挖掘规则，从KG之前和之后，他们已经完成了KGE比较可能的差异，在提取的规则。我们将此方法应用于经典的KGE方法，特别是，transE，DistMult和complEx。我们的实验表明，提取的规则之间可能存在巨大的差异，这取决于KG完成的KGE方法。特别是，在TransE完成后，提取了几个虚假的规则。
2022-06-23 cs.AI cs.LG
Entity Type Prediction in Knowledge Graphs using Embeddings
FIZ Karlsruhe – Leibniz Institute for Information Infrastructure（FIZ卡尔斯鲁厄——莱布尼茨信息基础设施研究所）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
开放式知识图谱（如DBpedia、Wikidata、YAGO）已被公认为数据采掘和信息检索领域各种应用的支柱。因此，知识图谱的完整性和正确性至关重要。这些知识库中的大多数都是通过从维基百科快照中自动信息抽取或用户提供的信息积累或使用自动化技术创建的。然而，已经观察到，这些KG的类型信息通常是嘈杂的、不完整的和不正确的。为了解决这个问题，提出了一种多标签分类方法，在这项工作中使用KG嵌入的实体类型。我们比较我们的方法与当前国家的最先进的类型预测方法和报告的KG实验。
2020-05-06 cs.AI cs.CL
Retrieval, Reasoning, Re-ranking: A Context-Enriched Framework for Knowledge Graph Completion
IDEA Research, International Digital Economy Academy（IDEA研究室，国际数字经济学院）；Department of Computer Science & Engineering, The Chinese University of Hong Kong（计算机科学与工程系，香港中文大学）；Artificial Intelligence Thrust, Hong Kong University of Science and Technology (Guangzhou)（人工智能方向，香港科技大学（广州））
针对知识图谱补全中现有方法易受关系模式干扰及存在语义鸿沟的问题，提出上下文增强框架KGR3，通过检索、推理与重排序三个模块协同，持续提升多种基线方法的补全性能。
2025-04-30 cs.AI cs.CL
DyERNIE: Dynamic Evolution of Riemannian Manifold Embeddings for Temporal Knowledge Graph Completion
LMU Munich（慕尼黑大学）；Siemens AG（西门子股份公司）；Technical University of Munich（慕尼黑工业大学）
最近有越来越多的兴趣在学习表示的时间知识图谱（KG），它记录了实体之间的动态关系，随着时间的推移。时间KG通常表现出多个同时的非欧结构，如层次结构和循环结构。然而，现有的时间KG嵌入方法通常学习实体表示及其在欧几里得空间中的动态演化，这可能无法很好地捕捉这种内在结构。为此，我们提出了Dy-ERNIE，一种非欧几里德嵌入方法，它可以学习黎曼流形乘积中的演化实体表示，其中组合空间是从底层数据的截面曲率估计的。产品流形使我们的方法，以更好地反映各种各样的几何结构的时间KG。此外，为了捕捉时间KG的演化动力学，我们让实体表示根据在每个时间戳的切空间中定义的速度向量来演化。我们详细分析了几何空间的贡献表示学习的时间KG和评估我们的模型上的时间知识图谱完成任务。在三个真实世界数据集上进行的大量实验表明，性能得到了显着提高，这表明多关系图数据的动态可以通过黎曼流形上嵌入的演变来更好地建模。
2020-12-02 cs.AI cs.CL cs.LG
KG-BERT: BERT for Knowledge Graph Completion
Northwestern University（西北大学）
知识图谱是许多人工智能任务的重要资源，但往往遭受不完整性。在这项工作中，我们建议使用预先训练的语言模型来完成知识图谱。本文将知识图谱中的三元组视为文本序列，提出了一种新的知识图谱双向编码器表示Transformer（KG-BERT）框架来建模这些三元组。该方法以三元组的实体描述和关系描述为输入，利用KG-BERT语言模型计算三元组的评分函数。在多个基准知识图谱上的实验结果表明，该方法在三重分类、链接预测和关系预测等任务中均能取得较好的性能.
2019-09-11 cs.AI cs.CL
Co-training Embeddings of Knowledge Graphs and Entity Descriptions for Cross-lingual Entity Alignment
University of California, Los Angeles（加州大学洛杉矶分校）；Stony Brook University（石溪大学）
多语言知识图谱（KG）嵌入提供了实体和结构化知识的潜在语义表示和跨语言推理，有利于各种知识驱动的跨语言NLP任务。然而，精确地学习这样的跨语言推理通常是阻碍了低覆盖率的实体对齐在许多知识库。由于许多多语言KG也提供实体的文字描述，在本文中，我们介绍了一种基于嵌入的方法，利用弱对齐的多语言KG使用实体描述进行半监督跨语言学习。我们的方法执行两个嵌入模型的联合训练，即多语言KG嵌入模型和多语言文字描述嵌入模型。这些模型是在一个基于维基百科的大型三语数据集上训练的，其中大多数实体对齐对训练来说是未知的。实验结果表明，该方法在实体对齐任务上的性能在每次迭代的协同训练中都有所提高，并最终达到显著超过以前方法的阶段。我们还表明，我们的方法有前途的能力zero-shot实体对齐，跨语言KG完成。
2018-06-18 cs.AI cs.CL
Type-enhanced Ensemble Triple Representation via Triple-aware Attention for Cross-lingual Entity Alignment
Tongji University（同济大学）
针对现有实体对齐方法忽略三元组不可分割性与实体角色多样性的问题，提出TTEA框架，以关系为信息载体结合三元组注意力与实体增强，在三个跨语言数据集上性能优于SOTA方法。
2023-05-02 cs.AI cs.CL
Beyond Triplet Plausibility: Relation Set Completion in Knowledge Graphs
School of Information Technology, Deakin University（迪肯大学信息技术学院）；Hangzhou International Innovation Institute, Beihang University（北京航空航天大学杭州国际创新研究院）；School of Information Technology, Victoria University（维多利亚大学信息技术学院）
提出关系集补全任务，通过关系集嵌入模型RelSetE建模实体与关系的兼容性模式，以推断缺失关系，实验证明其有效性。
2026-07-02 cs.AI
Medical Entity Linking using Triplet Network
IIT Kharagpur（印度理工学院卡拉格普尔分校）；Excelra Knowledge Solutions Pvt Ltd（Excelra知识解决方案私人有限公司）
实体链接（或规范化）是文本挖掘中的一项重要任务，它将医学文本中提到的实体映射到给定知识库（KB）中的标准实体。这项工作在医学领域具有重要意义。它还可以用于合并不同的医学和临床本体。在本文中，我们围绕疾病的链接或正常化的问题。该任务分两个阶段执行：候选人生成和候选人评分。在本文中，我们提出了一种方法来排名的候选知识库条目的基础上，他们的相似性与疾病的提及。我们使用三重网络进行候选人排名。虽然现有的方法已经使用精心生成的筛子和外部资源的候选生成，我们引入了一个强大的和便携式的候选生成方案，不使用手工制作的规则。在标准基准NCBI疾病数据集上的实验结果表明，我们的系统比以前的方法有显着的优势。
2020-12-21 cs.AI cs.CL
A Pluggable Common Sense-Enhanced Framework for Knowledge Graph Completion
School of Artificial Intelligence, Beihang University（北京航空航天大学人工智能学院）；College of Information and Communication Engineering, Hainan University（海南大学信息与通信工程学院）
针对现有知识图谱补全方法依赖事实三元组易出现常识不符、常识生成成本高的问题，提出可插拔常识增强框架，适配不同类型知识图谱，可集成至多种KGE模型，提升KGC任务效果。
2024-10-06 cs.AI cs.CL
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
Diachronic Embedding for Temporal Knowledge Graph Completion
Borealis AI（博雷亚斯人工智能研究院）
知识图谱（KG）通常包含指示不同时间的实体之间的关系的时间事实。由于它们的不完整性，已经提出了几种方法来推断新的事实KG的基础上，现有的一个问题被称为KG完成。KG嵌入方法已被证明是有效的KG完成，但是，他们已经开发的静态KG。开发时态KG嵌入模型是一个越来越重要的问题。在本文中，我们建立了新的模型，通过配备静态模型与历时实体嵌入功能，提供了在任何时间点的实体的特点，时间KG完成。这与仅提供静态实体特征的现有时间KG嵌入方法形成对比。所提出的嵌入函数是模型不可知的，并且可以潜在地与任何静态模型相结合。我们证明，结合它与简单，最近的静态KG嵌入模型，结果在一个完全表达的模型时间KG完成。我们的实验表明，我们的建议相比，现有的基线的优越性。
2019-07-06 cs.AI cs.LG stat.ML
ProjB: An Improved Bilinear Biased ProjE model for Knowledge Graph Completion
Queen’s University（女王大学）；Leipzig University（莱比锡大学）；The Institute for Applied Informatics（应用信息学研究所）
知识图谱嵌入（KGE）方法已经得到了广泛的AI社区的极大关注，包括用于文本生成、分类和上下文归纳的自然语言处理（NLP）。在少量的维度中嵌入大量的相互关系，需要在认知和计算方面进行适当的建模。近年来，关于自然语言的认知和计算方面的许多目标函数被开发出来。其中包括线性、双线性、流形保持核、投影子空间和类比推理等最先进的方法。然而，这种模型的主要挑战在于它们的损失函数，将关系嵌入的维度与相应的实体维度相关联。这导致在错误地估计对应物时不准确地预测实体之间的对应关系。ProjE KGE，由Bordes等人出版，由于低计算复杂性和模型改进的高潜力，在这项工作中，在捕获实体非线性的同时，对所有平移和双线性相互作用进行了改进。在FB15 K和WN18等基准知识图谱上的实验结果表明，该方法在实体预测任务中的性能优于使用线性和双线性方法的最新模型以及其他最近的强大方法。此外，为了提高模型在大型KG上的可扩展性，提出了一种并行处理结构。不同的自适应聚类和新提出的采样方法的效果也被解释证明是有效的，在提高知识图谱完成的准确性。
2022-09-15 cs.AI
Re-thinking Knowledge Graph Completion Evaluation from an Information Retrieval Perspective
University of Chinese Academy of Sciences（中国科学院大学）；Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所）；South-Central University for Nationalities（中南民族大学）
知识图谱补全（KGC）的目的是基于知识图谱中的已知事实来推断缺失的知识三元组。目前的KGC研究主要遵循实体排名协议，其中有效性是通过测试三元组中被掩蔽实体的预测排名来衡量的。然后，整体性能由所有个体答案实体上的微观（平均）度量给出。由于大规模知识库的不完整性，这样的实体排名设置可能会受到未标记的排名靠前的正面例子的影响，这就提出了目前的评估协议是否足以保证KGC系统的公平比较的问题。为此，本文提出了一个系统的研究是否以及如何标签稀疏性影响当前KGC评价与流行的微观指标。具体而言，受TREC范式的大规模信息检索（IR）实验的启发，我们创建了一个相对“完整”的判断集的基础上，从流行的FB 15 k-237数据集的样本以下的TREC池方法。根据我们的分析，令人惊讶的是，从原始标签切换到我们的“完整”标签导致各种13种流行的KGC模型在微观指标方面的系统排名发生了巨大变化。进一步的研究表明，IR类宏（平均）度量在不同的设置下更稳定和区分，同时，受标签稀疏性的影响较小。因此，对于KGC评估，我们建议进行TREC风格的池化，以平衡人工努力和标签完整性，并报告类似IR的宏观指标，以反映KGC任务的排名性质。
2022-05-09 cs.AI cs.CL cs.IR
Biquaternionic Space with Complex-valued Attention for Temporal Knowledge Graph Completion
University of Chinese Academy of Sciences（中国科学院大学）
提出BSCA模型，在双四元数空间中结合圆与双曲旋转，用复值注意力动态融合实体表示，在GDELT等基准上显著提升时序知识图谱补全性能。
2026-09-15 cs.AI 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
RADD: Retrieval-Anchored Discrete Diffusion for Multi-Modal Knowledge Graph Completion
School of Artificial Intelligence, Beihang University（北航人工智能学院）
本文提出RADD框架，通过分离检索与重排序过程，提升多模态知识图谱补全的性能，实验表明其在多个基准上表现最佳。
2026-10-20 cs.AI
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
Rethinking Graph Convolutional Networks in Knowledge Graph Completion
University of Science and Technology of China（中国科学技术大学）；Hefei Comprehensive National Science Center（合肥综合性国家科学中心）；University of Michigan（密歇根大学）；KE Holdings Inc.（贝壳控股有限公司）
图卷积网络（GCN）--它在建模图结构方面是有效的--在知识图谱完成（KGC）中越来越受欢迎。基于GCN的KGC模型首先使用GCN生成表达性实体表示，然后使用知识图谱嵌入（KGE）模型来捕获实体和关系之间的交互。然而，许多基于GCN的KGC模型虽然引入了额外的计算复杂性，但其性能并不优于现有的KGE模型。这一现象促使我们探索GCN在KGC中的实际作用。因此，在本文中，我们建立在代表性的GCN为基础的KGC模型，并引入变体，以找到GCN的因素是关键的KGC。令人惊讶的是，我们从实验中观察到，GCN中的图结构建模对KGC模型的性能没有显着影响，这与普遍的看法相反。相反，实体表示的转换负责性能改进。在此基础上，我们提出了一个简单而有效的框架LTE-KGE，它为现有的KGE模型配备了线性变换的实体嵌入。实验表明，LTE-KGE模型与基于GCN的KGC方法具有相似的性能改进，同时计算效率更高。这些结果表明，现有的GCN是不必要的KGC，和新的GCN为基础的KGC模型应该依靠更多的消融研究，以验证其有效性。所有实验的代码都可以在GitHub上获得，网址是https://github.com/MIRALab-USTC/GCN4KGC。
2022-02-08 cs.AI cs.LG
AceKG: A Large-scale Knowledge Graph for Academic Data Mining
Shanghai Jiao Tong University（上海交通大学）
学术领域现有的知识图谱存在多关系信息不足、名称不明确、数据格式不适合大规模机器处理等问题。本文介绍了AceKG，一种新的学术领域的大型KG。AceKG不仅提供干净的学术信息，还为研究人员提供了一个大规模的基准数据集，以进行具有挑战性的数据采掘项目，包括链接预测，社区发现和学者分类。具体来说，AceKG基于一致的本体描述了31.3亿个三元组的学术事实，包括论文、作者、研究领域、地点和机构的必要属性，以及它们之间的关系。为了丰富所提出的知识图谱，我们还执行实体对齐与现有的数据库和基于规则的推理。基于AceKG，我们进行了三个典型的学术数据采掘任务的实验，并评估了几个国家的最先进的知识嵌入和网络表示学习方法的基准数据集从AceKG。最后，我们讨论了几个有前途的研究方向，受益于AceKG。
2018-08-07 cs.AI cs.CL cs.IR
Efficient Relational Context Perception for Knowledge Graph Completion
School of Computer Science, Wuhan University（武汉大学计算机学院）
本文提出TRP架构结合张量分解，通过学习实体和关系的动态上下文并高效计算三元组得分，在多个基准数据集上优于现有知识图谱补全模型。
2024-12-31 cs.AI cs.CL cs.LG
Logical Entity Representation in Knowledge-Graphs for Differentiable Rule Learning
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；The University of Texas at Dallas（德克萨斯大学达拉斯分校）
提出逻辑实体表示（LERP）编码实体相邻子图上下文，结合概率逻辑规则学习提升规则表达力，在知识图谱补全任务中优于现有方法且增强可解释性。
2023-05-22 cs.AI cs.LG cs.LO
Spectral Initialization and Scheduled Graph Smoothness for Uncertain Knowledge Graph Completion
University of Southern California（南加州大学）；Islamic University of Technology（伊斯兰技术大学）
提出QUEST方法，通过谱初始化和狄利克雷能量正则化，提升不确定知识图谱补全的准确性、训练稳定性与检查点可靠性。
2026-09-03 cs.AI cs.LG
Unifying Post-hoc Explanations of Knowledge Graph Completions
Sony AI, Barcelona, Spain（索尼人工智能，巴塞罗那，西班牙）
针对知识图谱补全缺乏统一事后解释框架的问题，提出基于多目标优化的分类法，统一现有算法，改进评估协议，强调可解释性对用户查询的重要性。
2026-06-16 cs.AI cs.LG
Model Graph Inductive Learning for Knowledge Graph Completion
Yazd University（亚兹德大学）；Institute for Advanced Studies in Basic Sciences (IASBS)（基础科学高等研究所）；Medizinische Universität Graz（格拉茨医科大学）
提出模型图归纳学习（MGIL）框架，通过聚类实体构建模型图并应用GNN捕获全局结构，生成高质量初始嵌入，在归纳链接预测任务上取得最优或竞争性结果。
2026-06-16 cs.AI
Complementarity-driven Representation Learning for Multi-modal Knowledge Graph Completion
Department of Computer and Information Science, University of Macau（计算机与信息科学系，澳门大学）
针对多模态知识图谱补全中模态分布不均、现有方法忽略多模态数据互补性的问题，提出含互补性引导融合模块与熵引导负采样的MoCME框架，在五个基准上取得SOTA性能。
2025-07-28 cs.AI cs.CV
Hierarchical Relational Learning for Few-Shot Knowledge Graph Completion
The University of Sydney（悉尼大学）；University of California, Davis（加州大学戴维斯分校）
本文提出层次关系学习方法HiRe，通过联合捕获实体级、三元组级和上下文级关系信息来学习少样本关系的元表示，从而提升少样本知识图谱补全的泛化能力，并在基准数据集上验证了其优于现有方法的性能。
2025-06-03 cs.AI cs.CV 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
Enhancing Heterogeneous Knowledge Graph Completion with a Novel GAT-based Approach
Shanghai Jiao Tong University（上海交通大学）
针对异质知识图谱补全中样本不平衡和共享关系实体预测困难的问题，本文提出基于GAT的新方法GATH，通过双注意力模块和新颖编码特征转换，在两个基准数据集上显著优于现有最优模型。
2024-08-05 cs.AI cs.LG
DegreEmbed: incorporating entity embedding into logic rule learning for knowledge graph reasoning
Harbin Institute of Technology at Weihai（哈尔滨工业大学（威海））
提出DegreEmbed模型，结合实体嵌入与逻辑规则挖掘，从节点度视角解决异构知识图谱的缺失链接预测问题，在真实数据集上优于现有方法且具高可解释性。
2023-06-26 cs.AI cs.LG
ACTC: Active Threshold Calibration for Cold-Start Knowledge Graph Completion
University of Vienna（维也纳大学）
本文提出 ACTC 方法，首次解决知识图谱补全中的冷启动校准问题，在标注预算极少的情况下利用少量标注和未标注三元组高效学习逐关系阈值，并在多个评分模型上取得显著提升。
2023-09-20 cs.AI cs.LG
On Large-scale Evaluation of Embedding Models for Knowledge Graph Completion
University of Texas at Arlington（德克萨斯大学阿灵顿分校）
针对KGE评估基准不切实际、指标与数据集受限的问题，本文在FB-CVT-REV和FB+CVT-REV上大规模评估四种模型，揭示规模差异、n元关系二值化高估及现有协议的根本缺陷。
2025-06-10 cs.AI cs.LG
ReCDAP: Relation-Based Conditional Diffusion with Attention Pooling for Few-Shot Knowledge Graph Completion
Myongji University（明溪大学）
针对少样本知识图谱补全中关系长尾及负三元组利用不足的问题，提出ReCDAP，通过条件扩散分别建模正负关系分布并以注意力池化显式区分二者，在两个基准上达到最先进性能。
2025-05-12 cs.AI cs.IR
Explainable Sparse Knowledge Graph Completion via High-order Graph Reasoning Network
University of Science and Technology of China（中国科学技术大学）；Singapore Management University（新加坡管理大学）
知识图谱（KG）在许多应用中正成为越来越重要的基础设施，同时遭受不完整性问题。KG完成任务（KGC）根据不完整的KG自动预测缺失的事实。然而，现有的方法在现实世界的场景中表现不令人满意。一方面，它们的性能会随着KG稀疏性的增加而急剧下降。另一方面，预测的推理过程是一个不可信的黑箱。本文提出了一种新的稀疏KGC的可解释模型，将高阶推理合成到一个图卷积网络中，即HoGRN。它不仅可以提高泛化能力，以缓解信息不足的问题，而且还提供可解释性，同时保持模型的有效性和效率。有两个主要组件可以无缝集成以进行联合优化。首先，高阶推理组件通过捕获关系之间的内生相关性来学习高质量的关系表示。这可以反映逻辑规则来证明更广泛的缺失事实的合理性。其次，实体更新组件利用无权重的图卷积网络（GCN）来有效地对具有可解释性的KG结构进行建模。与传统的方法不同，我们进行实体聚合和设计组合为基础的注意力在关系空间中没有额外的参数。轻量级的设计使HoGRN更适合稀疏设置。为了进行评估，我们进行了广泛的实验-HoGRN在几个稀疏KG上的结果呈现出令人印象深刻的改进（平均9%的MRR增益）。进一步的消融和病例研究证明了主要组件的有效性。我们的代码将在接受后发布。
2022-07-14 cs.AI cs.LG
Post-hoc Utterance Refining Method by Entity Mining for Faithful Knowledge Grounded Conversations
Korea University（高丽大学）
本文提出事后精炼方法REM，通过挖掘来源知识中的关键实体来修正知识接地对话中的实体级幻觉，提升生成回复的忠实度与质量。
2024-06-16 cs.AI cs.CL
TRIZ-RAGNER: A Retrieval-Augmented Large Language Model for TRIZ-Aware Named Entity Recognition in Patent-Based Contradiction Mining
Sun Yat sen University（中山大学）；Uber Technologies, Inc.（优步科技公司）；Monroe University（门罗大学）
TRIZ-RAGNER通过整合TRIZ知识和检索增强技术，提升专利矛盾挖掘中命名实体识别的准确性和一致性。
2026-02-27 cs.AI cs.CL
Entity Retrieval and Text Mining for Online Reputation Monitoring
Faculdade de Engenharia da Universidade do Porto（波尔图大学工程学院）；FEUP（波尔图大学工程学院）
在线声誉监控（ORM）涉及使用计算工具来测量在线实体（如政治家或公司）的声誉。在实践中，目前的ORM方法仅限于生成数据分析报告，这些报告汇总了社交媒体上的流行度和情绪的统计数据。我们认为，这种格式是过于限制，因为最终用户往往喜欢有灵活性，以实体为中心的信息，是无法在预定义的图表搜索。因此，我们建议将实体检索功能作为扩展当前ORM功能的第一步。然而，实体的声誉也受到该实体与其他实体的关系的影响。因此，我们解决的问题的相似性关系（E-R）检索的目标是搜索多个连接的实体。这是一个传统的实体搜索系统无法应对的挑战性问题。除了E-R检索，我们还认为ORM将受益于基于文本的以实体为中心的预测功能，例如根据新闻事件或政治调查结果预测实体在社交媒体上的受欢迎程度。然而，如果没有有效的实体消歧和情感分析，这些任务都不能提供有用的结果。因此，本文解决了在线声誉监控中的两个计算问题：实体检索和文本挖掘。我们研究并开发了提取、检索和预测以实体为中心的信息的方法。
2018-01-23 cs.AI cs.IR
Two-view Graph Neural Networks for Knowledge Graph Completion
University of Stuttgart（斯图加特大学）；Oracle Labs（甲骨文实验室）；Monash University（莫纳什大学）；VinAI Research（VinAI研究院）
我们提出了一个有效的基于图神经网络（GNN）的知识图谱嵌入模型，我们命名为WGE，捕捉实体和关系为重点的图形结构。给定一个知识图谱，WGE构建一个无向的以实体为中心的图，将实体视为节点。WGE还从关注关系的约束中构造了另一个无向图，它将实体和关系视为节点。然后，WGE提出了一个基于GNN的架构，以更好地从这两个单一的实体和关系集中的图中学习实体和关系的向量表示。WGE将学习到的实体和关系表示馈送到加权得分函数中，以返回知识图谱完成的三重得分。实验结果表明，WGE优于强基线上的七个基准数据集的知识图谱完成。
2023-03-11 cs.AI cs.CL cs.LG
Opinion Mining Based Entity Ranking using Fuzzy Logic Algorithmic Approach
Pune Institute of Computer Technology（浦那计算机技术学院）
本文提出一种基于模糊逻辑推理的细粒度观点挖掘方法，用于从评价性陈述中提取属性并分类情感，进而据此对实体进行排序。
2025-10-27 cs.AI cs.LG
