1. 动机

知识图谱中的实体既可以是现实世界中对象，也可以是抽象的概念，实体间的关系也提供了大量的知识。然而现实世界的知识图谱存在不完备性，意味着知识图谱中存在着未涵盖或未完整表示现实世界知识的情况，即使已经包含了大量的信息和关系，仍然存在一些未被收录或未被充分描述的实体、关系或属性。近来，学者们开始将语言模型(LMs)应用于知识图谱补全(KGC)任务。目前基于LMs的方法仅依赖于从LMs参数中提取的信息，忽略了知识图谱本身拥有的领域实体的一些信息，而知识图谱中的结构和语义信息对于预测缺失的节点是有帮助的。且通常需要对所有可能的候选节点排序，是计算开销大的过程。

为此本文提出了一种生成式图补全方法，该方法结合了语言模型和图邻域信息，以提高知识图谱中缺失链接的预测能力。与传统的知识图谱补全方法不同，不需要计算密集的知识图谱嵌入，而是直接利用语言模型参数和图邻域信息。这种方法不仅避免了对所有可能的候选节点进行排序的计算开销，而且能够更好地捕捉知识图谱中的结构和语义信息。还提出了一种新的邻域选择策略，可以根据节点的重要性和相关性动态地选择邻域，更好地表示图节点。

2. 贡献

3. 方法

对于给定的知识图谱G，通过一个简单的模板转换将其三元组（头实体，关系，尾实体）转化为文本序列，目的是将结构化的知识图谱数据转化为自然语言文本，以便于后续的语言模型处理。例如将三元组（Steve Jobs，place of birth，?）转化为“predict Steve Jobs place of birth”。

其次对每个三元组通过遍历知识图谱中与头实体直接相连的边，从G中提取与头实体相邻的一跳邻居，形成一个邻域集合，获取头实体的上下文信息，以便于后续的预测。

3.3 排序邻域集合

根据邻居三元组中的关系与查询三元组中的关系的语义相似度，通过计算关系向量之间的余弦相似度，对邻域集合进行排序，选择最相关的邻居作为输入的上下文信息。目的是选择与查询最相关的上下文信息，以提高预测的准确性。

3.4 生成尾实体的文本序列

使用基于T5的Transformer模型，将查询三元组和邻域集合作为输入，直接生成尾实体的文本序列作为输出。目的是生成尾实体的文本序列，以便于后续的实体链接。

3.5 寻找对应的实体

通过一个实体链接模块，根据输出序列在知识图谱中寻找对应的实体，作为补全的结果。如果是归纳性的知识图谱，可能需要生成之前未见过的实体。这一步是来完成的，目的是将生成的文本序列链接到知识图谱中的实体。

4. 实验

5. 总结