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

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

知识图谱嵌入（KGE）是解决知识图谱完成（KGC）任务的有效方法。本文通过对4种常见关系模式的性能评估和理论分析，引入了一种无需额外训练的训练无关方法（SPA）来提高KGE模型的性能。

Aug, 2023

本文综述了知识图谱完成中的当前研究状态，特别关注了知识图谱嵌入设计的两个主要分支：基于距离的方法和基于语义匹配的方法，并探讨了与最近提出的模型之间的关联及其背后的趋势，最后讨论了利用预训练语言模型和实体关系的文本描述相结合进行知识图谱完成的新方法。

Sep, 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

在本研究中，我们提出了一种关系预测模型，它利用了知识图中的文本和结构信息，并结合了步行式嵌入和语言模型嵌入来有效地表示节点。通过在一个广泛使用的数据集上进行评估，我们证明了我们的模型在关系预测任务中取得了有竞争力的结果。

Apr, 2024

通过将小规模专业领域知识图谱与已建立的通用知识图谱进行关联，我们提出了一个框架来丰富领域特定知识图谱的嵌入，以应对大规模知识密集型任务中存在的挑战。实验评估表明，通过与大规模通用知识图谱的链接，采用我们的方法可以显著提升下游任务的性能，Hit@10指标的提升可达44%。这一相对未经探索的研究方向可以促使知识图谱在知识密集型任务中更频繁地应用，从而得到更强大、可靠且不那么虚幻的机器学习实现。

May, 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

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

本研究针对现有知识图谱补全方法的不足之处，提出了一种名为KGR3的上下文增强框架。KGR3通过检索支持三元组、利用大语言模型进行推理，并对候选答案进行重新排序，实现了对知识图谱补全的显著优化，实验结果显示其在多个数据集上均取得了优异的改进效果。

Nov, 2024