一步全通：用于知识图谱三元组集合预测的离散扩散模型
人工智能
2026-04-21 v1
摘要
知识图谱（KGs）由三元组组成，知识图谱补全（KGC）的目标是推断缺失的事实三元组。传统 KGC 任务在给定三元组的一个或两个元素的情况下预测该三元组中的缺失元素。作为一项更现实的任务，三元组集合预测（TSP）旨在仅基于观测到的知识图谱推断缺失三元组的集合，而不假设关于缺失三元组的任何部分信息。现有 TSP 方法以逐个三元组的方式预测缺失三元组的集合，在捕捉预测三元组之间的依赖关系以确保一致性方面存在不足。为了解决这个问题，我们提出了一种称为 DiffTSP 的新型离散扩散模型，将 TSP 视为生成任务。DiffTSP 通过离散扩散过程逐渐向 KG 添加噪声，这是通过掩盖关系边来实现的。反向过程随后在残缺图谱的条件下逐渐恢复完整的 KG。为此，我们设计了一个结构感知去噪网络，该网络集成了关系上下文编码器和关系图扩散 Transformer 用于知识图谱生成。DiffTSP 能够以一步方式生成完整的三元组集合，同时确保预测三元组之间的依赖关系。我们的方法在三个公开数据集上取得了 SOTA 性能。代码：https://github.com/ADMIS-TONGJI/DiffTSP。
引用
@article{arxiv.2604.18344,
title = {One Pass for All: A Discrete Diffusion Model for Knowledge Graph Triple Set Prediction},
author = {Jihong Guan and Jiaqi Wang and Wengen Li and Hanchen Yang and Yichao Zhang and Shuigeng Zhou},
journal= {arXiv preprint arXiv:2604.18344},
year = {2026}
}