本文介绍了一种名为ConMask的开放世界的知识图谱补全模型，该模型可以学习实体名称和其文本描述的嵌入以将未见过的实体连接到知识图谱中，并通过使用基于关系的内容掩蔽提取相关摘要以训练完全卷积神经网络来融合数据。实验证明，ConMask在开放世界的知识图谱补全任务中表现良好，并且在标准的闭式世界知识图谱补全任务上甚至优于现有的补全模型。

Nov, 2017

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

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

提出了一种名为 AggrE 的模型，该模型通过对实体和关系的上下文进行多跳的高效聚合，学习增强上下文的实体和关系嵌入，以完成知识图的补全。实验结果表明，AggrE 模型竞争力强。

Dec, 2020

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

该研究论文介绍了知识图谱在信息抽取方法中的应用，探讨了表示学习和图神经网络在知识图谱完成中的作用，以及如何利用知识图谱在下游任务中预测缺失的链接。

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

我们提出了一种改进基于语言模型的知识图谱补全方法，通过包含节点邻域作为附加信息，提高了预测效果，并且在多种评估数据集上优于传统方法和基于语言模型的KGC方法。我们还对邻域对模型预测的影响进行了详细分析，并指出了通过更有效的邻域选择来显著改进KGC的方向。

Nov, 2023

MPIKGC是一个通用框架，利用大型语言模型从不同的角度查询以补偿环境化知识的不足，改进了基于描述的知识图补全方法，扩展了实体描述，理解关系，并提取结构，通过四种基于描述的知识图补全模型和四个数据集进行了广泛评估，适用于链接预测和三元组分类任务。

Mar, 2024

本研究解决了现有知识图谱补全（KGC）方法未充分利用知识图谱特征及外部语义知识的问题。提出了一种知识感知推理模型（MUSE），通过三种并行组件设计多知识表示学习机制来预测缺失关系。实验证明，MUSE在多个数据集上显著优于其他基线模型，提升了关系预测的准确性。

Sep, 2024