计算机科学与探索

作者：臧洁, 任赛赛, 卢睿, 卢珊, 刘濛濛, 王昊

单位：1. 辽宁大学 信息学院，沈阳 1100362. 辽宁警察学院，沈阳 110000

关键词：知识图谱补全,上下文信息,结构信息,预训练语言模型,对比学习

基金：辽宁省科技厅应用基础研究计划项目（2023JH2/101300134）；辽宁省教育厅高等学校基本科研项目（LJKMZ20221549）。

知识图谱补全旨在根据现有信息和外部数据推断知识图谱中缺失和错误的内容，构建更加完整和准确的知识图谱。现有的知识图谱补全方法或者只利用知识图谱的结构信息，但是忽略了上下文信息；或者只获得了丰富的上下文信息，但是结构信息没有得到很好的利用。当前的研究较少考虑融合上下文信息和结构信息提升模型的性能。针对上述问题，提出一种融合文本和结构信息的知识图谱补全模型。设计有偏置的随机游走算法，通过动态采样中心实体的多条图路径，构建中心实体的子图以获取更丰富的拓扑信息。为了增强实体和关系间的交互，使用预训练模型融合实体描述和子图并将其转化为文本序列，同时，设计关系感知编码器和尾实体编码器，以获取更多的上下文信息，并引入均值池化和残差多层感知机得到关系感知向量和尾实体向量。设计高效的负采样策略增强对比学习效果，并在训练过程中引入对比学习提升模型补全的效果。在三个公开基准数据集上进行了实验，实验结果表明，在数据集WN18RR上，hits@10比模型StAR提高了8.0个百分点，比PReSA提高了2.9个百分点；在数据集FB15k-237上，hits@10比模型StAR提高了7.1个百分点，比PReSA提高了4.1个百分点。结果表明，与现有的知识图谱补全模型相比，该模型能有效融合知识图谱的上下文信息和结构信息，充分证明了该模型的有效性。

来源：2026年第2期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2026年第2期