本文介绍了一种名为 CKGC-CKD 的新方法，通过使用关系感知图卷积网络编码模型在集成的知识图谱和各自的知识图谱上进行训练，以最大程度地利用来自不同知识图谱的集体知识，从而缓解了个体知识图谱的不完整性，并通过相互知识蒸馏机制来进行知识传递，在多语言数据集上取得了比所有先进模型更好的知识图谱完成结果。

May, 2023

该研究提出了一种基于元学习的框架，通过使用文本描述来处理罕见关系和少见实体，其中包括一个新颖的模型来更好地从文本描述中提取关键信息，并引入了新的生成模型来增强性能。实验结果表明，此框架处理罕见关系和少见实体时优于以往的方法。

Sep, 2019

通过引入三种不同类型的负例并结合 InfoNCE Loss，提出了一种名为 SimKGC 的模型，实现了高效的自然语言文本推理知识图谱补全， 并在多个基准数据集上取得了比基于图嵌入的方法更好的效果。

Mar, 2022

通过重新实现 DistMult 模型，本文发现几乎所有在 FB15k 标准数据集上发布的模型的准确性都可以被我们适当调整基线模型超越，表明最近模型的性能改进可能不是由于架构变化，而是由于超参数调整或不同的训练目标。这应促使未来的研究重新考虑如何评估和报告模型的性能。

May, 2017

基于双线性模型的知识图谱完成是一种强大且广泛使用的方法。本研究发现了一种名为 “身份法则” 的先验属性，该属性无法被双线性模型捕捉，这限制了它们对知识图谱特征的综合建模能力。为解决这个问题，我们引入了一种名为 “Unit Ball Bilinear Model” 的解决方案，该模型通过最小约束来最大限度地减少无效学习，并在理论上和性能上取得了提升。实验证明 UniBi 模型了先验属性，并验证了它的可解释性和性能。

Sep, 2023

本文提出了一种联合完成和对齐知识图谱的模型，使用关系感知图神经网络编码多跳邻域结构，并利用结构不一致性降低机制将完成信息融入对齐组件，采用对齐种子扩展和三元组转移机制，实验结果表明该模型在多语言知识图谱对齐和完成任务上取得了最佳结果。

Oct, 2022

本研究提出了一种改进的 ProjE KGE 模型，通过对所有的可转化和双线性交互进行捕获，以及捕获实体非线性，从而改进了模型的性能，并在基准知识图谱上取得了更好的实体预测结果，同时提出了一种并行处理结构和一些新的采样策略以提高大型知识图谱的可扩展性。

Aug, 2022

提出了一个基于 VisualBERT 的增强型知识图谱补全模型 (VBKGC)，其采用了双胞胎负采样策略，能够捕捉基于嵌入的多模态信息并将其集成到 KGC 模型中，具有优秀的链路预测任务表现。

Sep, 2022

本论文提出 GenKGC 方法，运用预训练语言模型将知识图谱补全转化为序列生成任务，结合关系引导演示和实体感知分层解码以实现更好的表示学习和更快的推理，并在三个数据集上进行实验，结果表明该方法比基线更优或具有可比较的性能，与预训练语言模型先前的方法相比，具有更快的推理速度。此外，我们还发布了一个新的大规模中文知识图谱数据集 AliopenKG500 供研究使用。

Feb, 2022

本研究提出了一种新的知识图谱完成模型，使用知识图谱专用多层递归神经网络作为核心，能够更好地完成实体预测任务并实现全三元组预测。

Oct, 2018