MuCo-KGC：多上下文感知知识图谱补全
计算与语言
2025-03-11 v2
摘要
知识图谱补全 (KGC) 旨在预测知识图谱中缺失的实体（如主体或客体）或关系，通常包含数据不完整的情况。传统基于嵌入的方法，如 TransE 和 ComplEx，虽在预测尾实体方面取得进展，但难以在测试阶段对未见实体进行泛化。基于文本的方法通过利用额外的语义上下文来缓解这一问题；然而，这些方法依赖负三元组采样，导致计算开销高、语义不一致以及数据不平衡。近期方法如 KG-BERT 显示出前景，但高度依赖实体描述，而这些描述在知识图谱中往往不可得。亟需关注的关键在于，现有方法忽略了与实体和关系相关的图结构信息。为此，我们提出多上下文感知知识图谱补全模型 (MuCo-KGC)，该模型利用图中与实体和关系相关的上下文信息来预测尾实体。MuCo-KGC 无需实体描述和负三元组采样，显著降低计算复杂度并提升性能。我们在标准数据集上进行实验，包括 FB15k-237、WN18RR、CoDEx-S 和 CoDEx-M，结果表明 MuCo-KGC 在三个数据集上均优于当前最先进的方法。值得注意的是，MuCo-KGC 在 WN18RR、CoDEx-S 和 CoDEx-M 数据集上分别将 MRR 提升 、 和 ，充分展示了其在 KGC 任务中的有效性。
引用
@article{arxiv.2503.03091,
title = {MuCo-KGC: Multi-Context-Aware Knowledge Graph Completion},
author = {Haji Gul and Ajaz Ahmad Bhat and Abdul Ghani Haji Naim},
journal= {arXiv preprint arXiv:2503.03091},
year = {2025}
}