.png){kind=icon}
返回
Unified link prediction modeling for enhanced knowledge graph completion task
.png){kind=icon}
PRE
AI
DOI：10.1016/j.eswa.2025.127356.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
知识图谱（KGs）中的链接预测旨在识别实体之间的缺失链接。现有研究主要分别关注特定场景，例如转化（已知到已知）或归纳（已知到未知、未知到已知或未知到未知）设置。然而，当测试中出现未知实体和未知关系同时出现时，现实世界的挑战便会随之产生，形成更为复杂和真实的场景。为解决这一差距，我们提出了一种统一方法，包含三个关键组件，旨在增强不同链接预测设置下的适应性和准确性：(1) 基于三视图图的实体无关建模，该方法采用图神经网络（GNNs）学习与实体无关的关系模式，实现更有效的归纳知识图谱补全；(2) 基于对比学习的关联上下文建模，该方法通过允许GNNs传播和学习对未知实体有意义的表示，缓解知识图谱中连通性信息的不足；(3) 基于增强模式的未知关系建模，该方法利用知识图谱的本体模式灵活地建模未知关系，并预测缺失链接，无需进行大量再训练。在多个基准数据集上的广泛实验表明，本框架在准确性和适应性方面在各种场景下均表现出有效性，超越了现有最先进的基础模型，并突显了其在解决现实世界知识图谱补全挑战方面的潜力。
Keyword:
Knowledge graph completion
Graph neural network
Link prediction
期刊
IF:
7.5
论文数:
3.0W
被引数:
10.2W
机构
引用论文
.png){kind=icon}
分享收藏分享收藏
查看更多内容