Recent advances in information extraction have motivated the automatic
construction of huge knowledge graphs (KGs) by mining from large-scale text
corpus. However, noisy facts are unavoidably introduced into KGs
本论文中提出了一种能量量化知识图谱三元组语义正确性和表达事实的真实程度的知识图谱三元组可信度测量模型，通过交叉神经网络结构融合三个层面（实体级、关系级和 KG 全局级）的内部语义信息和全局推理信息来实现可信度测量和融合，并在真实数据集 FB15K 上进行了实验，结果表明与其他模型相比，我们的模型实现了显着和一致的改进。
本文介绍了知识图谱（KGs）以及其与关系知识的上下文信息的整合，重点讨论了基于三元组的 KGs 存在的局限性和上下文 KGs 的优势，并提出了 KGR$^3$，一个利用大型语言模型（LLMs）进行 KG 推理的范例，实验证明 KGR$^3$ 显著提高了 KG 补全和 KG 问答任务的性能，验证了将上下文信息整合到 KG 表示和推理中的有效性。