Page 218 - 《软件学报》2025年第12期

软件学报 ISSN 1000-9825, CODEN RUXUEW E-mail: jos@iscas.ac.cn
2025,36(12):5599−5628 [doi: 10.13328/j.cnki.jos.007400] [CSTR: 32375.14.jos.007400] http://www.jos.org.cn
©中国科学院软件研究所版权所有. Tel: +86-10-62562563

*
知识图谱补全技术及应用

郑修林 1,2 , 周 鹏 1,3 , 李培培 1,2 , 张 赞 1,2 , 黄艳香 4 , 吴信东 1,2,5

1
(大数据知识工程教育部重点实验室 (合肥工业大学), 安徽 合肥 230009)
2
(合肥工业大学 计算机与信息学院, 安徽 合肥 230601)
3
(安徽大学 计算机科学与技术学院, 安徽 合肥 230601)
4
(北京市教育委员会, 北京 100091)
5
(之江实验室 知识工程研究中心, 浙江 杭州 311121)
通信作者: 吴信东, E-mail: xwu@hfut.edu.cn
摘 要: 知识图谱以其独特的知识管理方式和表示能力被广泛运用于知识问答等知识计算领域. 但是, 现实中的知
识图谱或多或少存在信息不完整的问题, 影响知识图谱的质量, 限制了下游任务的效果, 如不完整的知识图谱不能
给出准确的知识问答结果. 因此, 知识图谱补全技术应运而生, 旨在通过不同的策略对知识图谱事实三元组中缺失
的内容进行预测以改善知识图谱的质量. 近年来, 人们对知识图谱补全进行了大量的研究. 根据构建模型所需样本
的数量将现有的知识图谱补全技术分为 3 大类, 即零样本知识图谱补全、少样本知识图谱补全和多样本知识图谱
补全. 为了调研并作为研究人员掌握知识图谱补全研究核心思想和研究现状的第一手材料, 从理论研究、实验分
析以及具体应用, 如华谱系统, 对已有的知识图谱补全技术进行全面的回顾, 总结当前知识图谱补全技术所面临的
问题与挑战, 并对未来可能的研究方向进行探讨.
关键词: 知识图谱; 知识图谱补全; 大模型; 华谱系统
中图法分类号: TP182

中文引用格式: 郑修林, 周鹏, 李培培, 张赞, 黄艳香, 吴信东. 知识图谱补全技术及应用. 软件学报, 2025, 36(12): 5599–5628. http://
www.jos.org.cn/1000-9825/7400.htm
英文引用格式: Zheng XL, Zhou P, Li PP, Zhang Z, Huang YX, Wu XD. Knowledge Graph Completion: Techniques and Applications.
Ruan Jian Xue Bao/Journal of Software, 2025, 36(12): 5599–5628 (in Chinese). http://www.jos.org.cn/1000-9825/7400.htm

Knowledge Graph Completion: Techniques and Applications
1,2
1,3
4
1,2
1,2
ZHENG Xiu-Lin , ZHOU Peng , LI Pei-Pei , ZHANG Zan , HUANG Yan-Xiang , WU Xin-Dong 1,2,5
1
(Key Laboratory of Knowledge Engineering with Big Data (Hefei University of Technology), Ministry of Education, Hefei 230009, China)
2
(School of Computer Science and Information Engineering, Hefei University of Technology, Hefei 230601, China)
3
(School of Computer Science and Technology, Anhui University, Hefei 230601, China)
4
(Beijing Municipal Education Commission, Beijing 100091, China)
5
(Knowledge Engineering Research Center, Zhejiang Lab, Hangzhou 311121, China)
Abstract: Knowledge graph (KG), with their unique approach to knowledge management and representation capabilities, have been widely
applied in various knowledge computing fields, including question answering. However, incomplete information is often present in KG,
which undermines their quality and limits the performance of downstream tasks. As a result, knowledge graph completion (KGC) has
emerged, aiming to enhance the quality of KG by predicting the missing information in triples using different methods. In recent years,
extensive research has been conducted in the field of KGC. This study classifies KGC techniques into three categories based on the

* 基金项目: 国家自然科学基金 (62120106008); 中央高校基本科研业务费专项资金 (JZ2023HGTB0270, PA2022GDSK0038)
收稿时间: 2023-11-15; 修改时间: 2024-10-02, 2024-12-02; 采用时间: 2025-02-11; jos 在线出版时间: 2025-06-25
CNKI 网络首发时间: 2025-06-26