本文旨在探讨在大型知识图谱中自动预测缺失链接的 KGC 技术，针对最近几篇高水平论文达到的高性能，提出了一个简单的评估协议来解决模型偏差的问题，并使用该协议对几种现有方法进行了广泛的实验，同时公开了可复现的代码。

Nov, 2019

本文通过建立变体研究了基于 Graph Convolutional Networks 的知识图谱完成模型，在实验中发现了与预期相反的图结构建模并不对模型性能产生显著影响，而实体表示的转换是改善性能的关键因素。作者基于此提出了LTE-KGE框架，通过线性转换实体嵌入向现有的KGE模型中添加GCNs模块以达到类似的性能提升。实验结果表明，与GCN-based KGC方法相比，LTE-KGE模型在性能上有类似的提升，同时更具计算效率。因此，本文表明GCNs对于KGC并不必要，新型基于GCNs的KGC模型需要进行更多的消融研究来验证其有效性。

Feb, 2022

本篇研究通过探索评分函数和损失函数的设计，发现相比于复杂的图神经网络，简单的多层感知器(MLP)模型能够实现与之相似的性能表现，在知识图谱补全(KGC)方面不一定需要高度复杂的聚合方式。

May, 2022

通过交叉相关矩阵，提出一种克服负采样限制，能够快速学习知识图谱（KG）嵌入的负采样免费框架（KG-NSF），其具有与基于负采样的方法相当的链接预测性能，同时收敛更快。

Jul, 2022

本文提出了一种轻量级模块化知识图谱完成(GreenKGC)方案，该方案包含三个模块：表示学习、特征修剪和决策学习，旨在解决在获得更好推理能力的同时保持较小的模型大小。实验结果表明，GreenKGC可以在较小的模型尺寸下达到与高维嵌入方法相当甚至更好的性能，并且可以推广到更多任务中。

Aug, 2022

本研究提出了一种简单而有效的基于网络预训练的知识图谱补全框架（NetPeace），旨在整合知识图谱中全局网络连接和本地三元组关系的信息，并在稠密的知识图谱上获得了一致且显著的提高。

Feb, 2023

基于嵌入式知识图谱（KG）完成已经引起了人们的广泛关注，通过生成KG嵌入，讨论了不同类型的KG完成算法，包括链路预测、实体类型预测算法以及利用KG和大型语言模型（LLM）的算法，最后讨论了不同描述逻辑公理所表达的语义，并提出了对当前工作的批判性反思和未来方向的建议。

Jul, 2023

知识图谱补全（KGC）通过建立知识图谱嵌入（KGE）模型、探索连接子图解释方法和评估器等手段，有效改善知识图谱的不完整性问题，并在人类评估中取得了83.3%的最优比例。

Apr, 2024

通过提出一种新的策略构建归纳性的知识图谱补全（Knowledge Graph Completion，KGC）数据集，此策略有助于缓解Personalized PageRank（PPR）的缺陷，进而使用这些数据集评估了多种常见方法的性能，促进了对归纳性KGC的能力和挑战的更好理解。

Jun, 2024

本研究解决了现有知识图完成（KGC）方法依赖于事实三元组，导致结果可能与常识不符的问题。提出了一种可插拔的常识增强框架，该框架能够从事实三元组自动生成显式或隐式常识，并在多个KGC任务中表现出良好的可扩展性和性能。此方法可与多种知识图嵌入模型集成，促进常识与事实驱动的共同训练和推理。

Oct, 2024