摘要

知识图谱补全（KGC）旨在对知识图谱中的事实进行推理，并自动推断缺失的链接。现有的方法主要可以分为基于结构的方法或基于描述的方法。一方面，基于结构的方法通过实体嵌入有效地表示了知识图谱中的关系事实。然而，由于结构信息有限，它们在处理语义丰富的现实世界实体时遇到困难，并且无法推广到未见过的实体。另一方面，基于描述的方法利用预训练语言模型（PLMs）来理解文本信息。这些方法对未见过的实体表现出较强的鲁棒性。然而，它们在大规模负采样方面存在困难，通常在性能上落后于基于结构的方法。为了解决这些问题，本文提出了一种结合结构增强预训练语言模型的动量对比方法（MoCoSA），该方法允许预训练语言模型通过可适应的结构编码器感知结构信息。为了提高学习效率，我们提出了动量难负样本和关系内负采样的策略。实验结果表明，我们的方法在平均倒数排名（MRR）指标上达到了最先进的性能，在WN18RR数据集上提高了2.5%，在OpenBG500数据集上提高了21%。