InferWiki 是一个知识图谱完成（KGC）数据集，通过利用基于规则的训练 / 测试生成、遵循开放世界假设以及包含不同的推理模式等方法来提高推理能力和评估模型，为知识图谱推理研究提供了高质量且必要的数据集。

Aug, 2021

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

该研究提出一种基于信息检索和阅读理解的知识图谱自动完成模型，在实验中发现该模型可以很好地解决无法从现有知识中推断的关系，并在多个知识图谱自动完成数据集上取得良好结果。

Oct, 2022

归纳性知识图谱补全的这篇研究中，通过学习训练图谱中的推理模式，从而对不相交的测试图谱进行预测；研究发现基于规则的方法相对于基于图神经网络（GNNs）的最新方法具有较低的性能，但通过针对问题所涉及的两个因素进行优化，可以实现接近基于图神经网络的性能，同时保留了规则方法的可解释性优势，并且进一步的变种在总体知识图谱中的表现优于基于图神经网络的方法。

Aug, 2023

本文介绍了基于嵌入式知识图谱网络的知识库完成方法，通过使用端到端反向传播训练，可以将大型知识库压缩成优化的版本，并在知识库完成基准测试中取得了最新的最佳结果。

Nov, 2016

在这篇论文中，我们研究了与真实世界建设场景相关的三个重要过程：验证过程，挖掘过程和训练过程，并通过整合这三个过程引入了渐进式知识图谱完成（PKGC）任务，以模拟在真实世界场景中逐步完善知识图谱的过程。此外，为了加快 PKGC 处理，我们提出了两个加速模块：优化的 Top-k 算法和语义有效性过滤器，这些模块显著提高了挖掘过程的效率。我们的实验证明链接预测的性能不能准确反映 PKGC 的性能，更深入的分析揭示了影响结果的关键因素，并为未来的研究提供了潜在的方向。

Apr, 2024

本论文提出了一种名为 InductivE 的学习框架，旨在解决 Commonsense Knowledge Graph（CKG）完成中可能出现的未见过实体的问题，该框架直接从原始实体属性 / 文本计算实体嵌入，并由一个自由文本编码器、一个图编码器和一个 KG 完成解码器组成。实验证明，InductivE 在 ATOMIC 和 ConceptNet 基准测试中都显著优于现有基线方法。

Sep, 2020

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

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

本研究通过对少样本知识图谱自动补全任务的学习方法、任务应用、以及未来研究领域的调查和总结，提出了一种使用图形表示学习和少样本学习优势的 FKGC 方法，以期解决常规 KG 和 CKG 补全任务中长尾关系及新关系的问题，并在不同领域的预测任务中应用 FKGC 模型。

Jan, 2023