SynergyKGC：通过拓扑感知协同作用整合知识图谱完成中的拓扑异构性
人工智能
2026-02-12 v1 机器学习
摘要
知识图谱完成（KGC）本质上依赖于对预训练实体语义与异构拓扑结构进行一致性融合，以促进稳健的关系推理。然而，现有方法面临关键的“结构解析不匹配”问题，无法在不同图密度之间协调差异化的表征需求，从而导致稠密聚类区域出现结构噪声干扰，稀疏区域出现代表性崩溃。我们提出了SynergyKGC——一种自适应框架，将传统邻居聚合扩展为通过关系感知的跨注意力和语义意图驱动的门控机制构建的主动跨模态协同专家。通过结合密度依赖的恒等锚定策略与双塔一致性架构，SynergyKGC有效整合了拓扑异构性，同时确保了在训练和推理阶段的表征稳定性。在两个公开基准上的系统评估表明，我们的方法在显著提升KGC命中率方面具有优势，为在非均匀结构数据中实现鲁棒信息集成提供了经验依据。
引用
@article{arxiv.2602.10845,
title = {SynergyKGC: Reconciling Topological Heterogeneity in Knowledge Graph Completion via Topology-Aware Synergy},
author = {Xuecheng Zou and Yu Tang and Bingbing Wang},
journal= {arXiv preprint arXiv:2602.10845},
year = {2026}
}
备注
10 pages, 5 tables, 7 figures. This work introduces the Active Synergy mechanism and Identity Anchoring for Knowledge Graph Completion. Code: https://github.com/XuechengZou-2001/SynergyKGC-main