近日，计算机科学与技术学院钱慎一教授团队在Elsevier旗下高水平期刊《Computer Science Review》（中科院一区TOP期刊，IF=12.7）上发表了题为《A review of background, methods, limitations and opportunities of knowledge graph completion》的综述论文。 随着人工智能技术的快速发展，知识图谱作为结构化知识表示的核心技术，在自然语言处理、推荐系统、智能问答等多个领域发挥重要作用。然而，现实世界中的知识图谱普遍存在信息不完整问题，弱化了其实际的应用效果。知识图谱补全技术旨在自动推断并补充知识图谱中缺失的实体或关系，成为提升知识图谱质量与可用性的关键手段。 传统闭域知识图谱补全主要依赖嵌入或路径模型，在处理结构化数据方面表现良好，但在开放场景下对未见过的实体和关系处理能力有限。近年来，随着神经网络与大语言模型的突破，开放域知识图谱补全逐渐兴起，但目前仍缺乏对模型架构的系统性分析与分类。为此，论文系统梳理了知识图谱补全领域的基础理论与方法体系，提出了一个横跨闭域与开放域的统一模型分类框架，将现有方法归纳为基于嵌入的方法、基于路径的方法、基于神经网络的方法以及基于大语言模型的四大类方法。 论文整合了该领域主流的数据集资源，从多个维度对各类方法进行了深入比较与分析，并进一步探讨了知识图谱补全技术当前面临的挑战与未来发展方向，包括复杂知识推理、领域自适应能力提升、大语言模型与知识图谱的深度融合等关键问题，为后续研究提供了理论依据与实践参考。 该论文得到了国家自然科学基金、河南省重大公益专项、河南省科技攻关项目等多个科研项目的支持。
论文链接：https://doi.org/10.1016/j.cosrev.2025.100809
| 