摘要

人类构建的知识图谱为多种自然语言处理任务提供了关键的支持性信息，但这类知识图谱通常存在不完整性，亟需实现自动补全。目前主流的图嵌入方法（如TransE）通过将图中的实体与关系映射为稠密向量表示，并利用空间距离捕捉三元组间的语义关系，从而学习结构化知识。然而，这类方法在训练过程中未见过的实体上泛化能力较差，且对知识图谱的不完整性极为敏感。相比之下，基于文本编码的方法（如KG-BERT）则依赖三元组的文本信息及其上下文化的表示，具备较强的泛化能力与对不完整性的鲁棒性，尤其在结合预训练编码器时表现更优。但此类方法仍存在两大显著缺陷：（1）在推理阶段需对所有可能的三元组进行昂贵的打分计算，带来高昂的计算开销；（2）文本编码器本身缺乏显式的结构化知识建模能力。本文沿用文本编码范式，提出通过引入图嵌入技术来弥补其不足——构建一种融合两种范式的互补型混合方法。具体而言，我们借鉴基于翻译的图嵌入思想，将每个三元组拆分为两个非对称部分，并采用一种类孪生（Siamese-style）的文本编码器对这两部分分别生成上下文化表示。在此基础上，我们的模型分别利用确定性分类器与空间度量机制，实现表示学习与结构学习的协同优化。此外，我们设计了一种自适应集成策略，通过融合已有图嵌入模型输出的三元组得分，进一步提升整体性能。在多个基准数据集及零样本链接预测任务上的实验表明，所提方法在三项标准评测任务与一个零样本数据集上均达到当前最优性能，且推理成本相比纯文本编码方法降低了1至2个数量级，显著提升了效率与实用性。