面向知识图谱补全的大模型方法综述

doi:10.11772/j.issn.1001-9081.2025030294

《计算机应用》唯一官方网站 ›› 2026, Vol. 46 ›› Issue (3): 683-695.DOI: 10.11772/j.issn.1001-9081.2025030294

• 人工智能 • 下一篇

面向知识图谱补全的大模型方法综述

张昊洋, 张丽萍(), 闫盛, 李娜, 张学飞

内蒙古师范大学计算机科学技术学院，呼和浩特 010022

收稿日期:2025-03-24 修回日期:2025-06-27 接受日期:2025-06-30 发布日期:2025-07-18 出版日期:2026-03-10
通讯作者: 张丽萍
作者简介:张昊洋（2000—），男，内蒙古包头人，硕士研究生，主要研究方向：教育数据挖掘、智慧教育
闫盛（1984—），男，内蒙古包头人，讲师，硕士，CCF会员，主要研究方向：计算机教育
李娜（1980—），女，湖北黄陂人，副教授，硕士，主要研究方向：教育信息化、信息技术教育、数字化学习资源设计与开发
张学飞（1997—），男，内蒙古乌兰察布人，硕士研究生，CCF会员，主要研究方向：计算机教育。
基金资助:
国家自然科学基金资助项目(61462071);内蒙古自然科学基金资助项目(2023LHMS06009);内蒙古自然科学基金资助项目(2024MS06020);内蒙古自治区教育科学研究“十四五”规划2023年度课题(2023NGHZXZH119);内蒙古自治区教育科学研究“十四五”规划2023年度课题(NGJGH2023234);内蒙古师范大学基本科研业务费专项资金资助项目(2022JBQN108);内蒙古师范大学基本科研业务费专项资金资助项目(2022JBQN008)

Review of large language model methods for knowledge graph completion

Haoyang ZHANG, Liping ZHANG(), Sheng YAN, Na LI, Xuefei ZHANG

College of Computer Science and Technology，Inner Mongolia Normal University，Hohhot Inner Mongolia 010022，China

Received:2025-03-24 Revised:2025-06-27 Accepted:2025-06-30 Online:2025-07-18 Published:2026-03-10
Contact: Liping ZHANG
About author:ZHANG Haoyang， born in 2000， M. S. candidate. His research interests include educational data mining， smart education.
YAN Sheng， born in 1984， M. S.， lecturer. His research interests include computer education.
LI Na， born in 1980， M. S.， associate professor. Her research interests include education informatization， information technology education， digital learning resources design and development.
ZHANG Xuefei， born in 1997， M. S. candidate. His research interests include computer education.
Supported by:
National Natural Science Foundation of China(61462071);Natural Science Foundation of Inner Mongolia(2023LHMS06009);2023 Project of “the 14th Five-Year Plan” for Educational Science Research of Inner Mongolia Autonomous Region(2023NGHZXZH119);Fundamental Research Funds of Inner Mongolia Normal University(2022JBQN108)

摘要/Abstract

摘要：

知识图谱（KG）可从海量数据中提取并结构化表示先验知识，在智能系统的构建与应用中发挥着关键作用。知识图谱补全（KGC）旨在预测KG中缺失的三元组以提升完整性和可用性，通常涵盖编码环节与预测环节。然而，传统的KGC方法在编码环节存在难以有效利用额外信息与语义信息的问题，而在预测环节存在知识覆盖不完全及封闭世界问题，且先编码后预测的框架会受到嵌入表示形式和计算效率的限制。大语言模型（LLM）凭借丰富的知识和强大的理解力能够解决这些问题。因此，对面向知识图谱补全的大模型方法进行综述。首先，概述KG与LLM的基本概念及研究现状，并阐述KGC的流程；其次，将现有基于LLM的KGC方法从将LLM作为编码器、将LLM作为生成器以及基于提示引导三方面进行总结和梳理；最后，总结模型在不同数据集上的性能表现并探讨基于LLM的KGC研究面临的问题与挑战。

关键词: 知识图谱, 知识图谱补全, 大语言模型, 链接预测, 三元组分类

Abstract:

Knowledge Graph （KG） can extract and structurally represent the prior knowledge from massive data， and plays a key role in the construction and application of intelligent systems. Knowledge Graph Completion （KGC） aims to predict missing triples in the KGs to improve integrity and usability， and usually covers encoding and prediction links. However， the traditional KGC methods have difficulties in utilizing additional information and semantic information effectively in the encoding process， the problems of incomplete knowledge coverage and closed world in the prediction process， and the framework of first encoding and then prediction will be limited by embedded representation forms and computing efficiency. Large Language Models （LLMs） can solve these problems with rich knowledge and strong understanding abilities. Therefore， LLM methods for KGC were reviewed. Firstly， the basic concepts and research status of KGs and LLMs were outlined， and the KGC process was explained. Secondly， the existing KGC methods based on LLMs were summarized and sorted out from three aspects： using LLM as an encoder， using LLM as an generator， and basing on prompt guidance. Finally， the performance of the models on different datasets was summed up and the problems and challenges faced by KGC research based on LLMs were discussed.

Key words: knowledge graph, Knowledge Graph Completion (KGC), Large Language Model (LLM), link prediction, triple classification

中图分类号:

TP18

张昊洋, 张丽萍, 闫盛, 李娜, 张学飞. 面向知识图谱补全的大模型方法综述[J]. 计算机应用, 2026, 46(3): 683-695.

Haoyang ZHANG, Liping ZHANG, Sheng YAN, Na LI, Xuefei ZHANG. Review of large language model methods for knowledge graph completion[J]. Journal of Computer Applications, 2026, 46(3): 683-695.

图/表 12

参考文献 85

[1]	SINGHAL A. Introducing the knowledge graph： things， not strings［R/OL］. ［2025-03-02］. .
[2]	高茂，张丽萍. 融合多模态资源的教育知识图谱的内涵、技术与应用研究［J］. 计算机应用研究， 2022， 39（8）： 2257-2267.
	GAO M， ZHANG L P. Research on connotation， technology and application of educational knowledge graph based on multi-modal resources ［J］. Application Research of Computers， 2022， 39（8）： 2257-2267.
[3]	梁佳，张丽萍，闫盛，等. 基于大语言模型的命名实体识别研究进展［J］. 计算机科学与探索， 2024， 18（10）： 2594-2615.
	LIANG J， ZHANG L P， YAN S， et al. Research progress of named entity recognition based on large language model ［J］. Journal of Frontiers of Computer Science and Technology， 2024， 18（10）： 2594-2615.
[4]	赵宇博，张丽萍，闫盛，等. 个性化学习中学科知识图谱构建与应用综述［J］. 计算机工程与应用， 2023， 59（10）： 1-21.
	ZHAO Y B， ZHANG L P， YAN S， et al. Construction and application of discipline knowledge graph in personalized learning ［J］. Computer Engineering and Applications， 2023， 59（10）： 1-21.
[5]	AUER S， BIZER C， KOBILAROV G， et al. DBpedia： a nucleus for a web of open data ［C］// Proceedings of the 6th International Semantic Web Conference， 2nd Asian Semantic Web Conference， LNCS 4825. Berlin： Springer， 2007： 722-735.
[6]	SUCHANEK F M， KASNECI G， WEIKUM G. YAGO： a core of semantic knowledge ［C］// Proceedings of the 16th International Conference on World Wide Web. New York： ACM， 2007： 697-706.
[7]	BOLLACKER K， EVANS C， PARITOSH P， et al. Freebase： a collaboratively created graph database for structuring human knowledge ［C］// Proceedings of the 2008 ACM SIGMOD International Conference on Management of Data. New York： ACM， 2008： 1247-1250.
[8]	DONG X， GABRILOVICH E， HEITZ G， et al. Knowledge vault： a web-scale approach to probabilistic knowledge fusion ［C］// Proceedings of the 20th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： ACM， 2014： 601-610.
[9]	CAO E， WANG D， HUANG J， et al. Open knowledge enrichment for long-tail entities ［C］// Proceedings of the Web Conference 2020. New York： ACM， 2020： 384-394.
[10]	CHEN Z， WANG Y， ZHAO B， et al. Knowledge graph completion： a review ［J］. IEEE Access， 2020， 8： 192435-192456.
[11]	BORDES A， USUNIER N， GARCIA-DURÁN A， et al. Translating embeddings for modeling multi-relational data ［C］// Proceedings of the 27th International Conference on Neural Information Processing Systems — Volume 2. Red Hook： Curran Associates Inc.， 2013： 2787-2795.
[12]	LIANG X， SI G， LI J， et al. A survey of inductive knowledge graph completion ［J］. Neural Computing and Applications， 2024， 36（8）： 3837-3858.
[13]	OUYANG L， WU J， JIANG X， et al. Training language models to follow instructions with human feedback ［C］// Proceedings of the 36th International Conference on Neural Information Processing Systems. Red Hook： Curran Associates Inc.， 2022： 27730-27744.
[14]	DEHAL R S， SHARMA M， RAJABI E. Knowledge graphs and their reciprocal relationship with large language models ［J］. Machine Learning and Knowledge Extraction， 2025， 7（2）： No.38.
[15]	黄勃，吴申奥，王文广，等. 图模互补：知识图谱与大模型融合综述［J］. 武汉大学学报（理学版）， 2024， 70（4）： 397-412.
	HUANG B， WU S A， WANG W G， et al. KG-LLM-MCom： a survey on integration of knowledge graph and large language model［J］. Journal of Wuhan University （Natural Science Edition）， 2024， 70（4）： 397-412.
[16]	PAN S， LUO L， WANG Y， et al. Unifying large language models and knowledge graphs： a roadmap ［J］. IEEE Transactions on Knowledge and Data Engineering， 2024， 36（7）： 3580-3599.
[17]	曾泽凡，胡星辰，成清，等. 基于预训练语言模型的知识图谱研究综述［J］. 计算机科学， 2025， 52（1）： 1-33.
	ZENG Z F， HU X C， CHENG Q， et al. Survey of research on knowledge graph based on pre-trained language models ［J］. Computer Science， 2025， 52（1）： 1-33.
[18]	曹荣荣，柳林，于艳东，等. 融合知识图谱的大语言模型研究综述［J］. 计算机应用研究， 2025， 42（8）： 2255-2266.
	CAO R R， LIU L， YU Y D， et al. Review of large language models integrating knowledge graph ［J］. Application Research of Computers， 2025， 42（8）： 2255-2266.
[19]	张学飞，张丽萍，闫盛，等. 知识图谱与大语言模型协同的个性化学习推荐［J］. 计算机应用， 2025， 45（3）： 773-784.
	ZHANG X F， ZHANG L P， YAN S， et al. Personalized learning recommendation based in collaboration of knowledge graphs and large language model ［J］. Journal of Computer Applications， 2025， 45（3）： 773-784.
[20]	昂格鲁玛，王斯日古楞，斯琴图. 知识图谱补全研究综述［J］. 计算机科学与探索， 2025， 19（9）： 2302-2318.
	ANGGELUMA， WANG S， SI Q. Overview of research on knowledge graph completion ［J］. Journal of Frontiers of Computer Science and Technology， 2025， 19（9）： 2302-2318.
[21]	LIN Y， LIU Z， SUN M， et al. Learning entity and relation embeddings for knowledge graph completion ［C］// Proceedings of the 29th AAAI Conference on Artificial Intelligence. Palo Alto： AAAI Press， 2015： 2181-2187.
[22]	BALAŽEVIĆ I， ALLEN C， HOSPEDALES T. TuckER： tensor factorization for knowledge graph completion ［C］// Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing and the 9th International Joint Conference on Natural Language Processing. Stroudsburg： ACL， 2019： 5185-5194.
[23]	DETTMERS T， MINERVENI P， STENETORP P， et al. Convolutional 2D knowledge graph embeddings ［C］// Proceedings of the 32nd AAAI Conference on Artificial Intelligence. Palo Alto： AAAI Press， 2018： 1811-1818.
[24]	TROUILLON T， WELBL J， RIEDEL S， et al. Complex embeddings for simple link prediction ［C］// Proceedings of the 33rd International Conference on Machine Learning. New York： JMLR.org， 2016： 2071-2080.
[25]	WU Y， WANG Z. Knowledge graph embedding with numeric attributes of entities ［C］// Proceedings of the 3rd Workshop on Representation Learning for NLP. Stroudsburg： ACL， 2018： 132-136.
[26]	DAS R， NEELAKANTAN A， BELANGER D， et al. Chains of reasoning over entities， relations， and text using recurrent neural networks ［C］// Proceedings of the 15th Conference of the European Chapter of the Association for Computational Linguistics： Volume 1， Long Papers. Stroudsburg： ACL， 2017： 132-141.
[27]	SHI B， WENINGER T. Open-world knowledge graph completion［C］// Proceedings of the 32nd AAAI Conference on Artificial Intelligence. Palo Alto： AAAI Press， 2018： 1957-1964.
[28]	VASWANI A， SHAZEER N， PARMAR N， et al. Attention is all you need ［C］// Proceedings of the 31st International Conference on Neural Information Processing Systems. Red Hook： Curran Associates Inc.， 2017： 6000-6010.
[29]	DEVLIN J， CHANG M W， LEE K， et al. BERT： pre-training of deep bidirectional Transformers for language understanding ［C］// Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics： Human Language Technologies， Volume 1 （Long and Short Papers）. Stroudsburg： ACL， 2019： 4171-4186.
[30]	RADFORD A， NARASIMHAN K， SALIMANS T， et al. Improving language understanding by generative pre-training［EB/OL］. ［2025-02-02］. .
[31]	Team GLM. ChatGLM： a family of large language models from GLM-130B to GLM-4 all tools ［EB/OL］. ［2025-02-23］. .
[32]	TOUVRON H， LAVRIL T， IZACARD G， et al. LLaMA： open and efficient foundation language models ［EB/OL］. ［2025-02-11］. .
[33]	DeepSeek-AI. DeepSeek-R1： incentivizing reasoning capability in LLMs via reinforcement learning ［EB/OL］. ［2025-02-09］. .
[34]	DeepSeek-AI. DeepSeek-V3 technical report ［R/OL］. ［2025-03-14］..
[35]	陈娟，赵新潮，隋京言，等. 故事启发大语言模型的时序知识图谱预测［J］. 模式识别与人工智能， 2024， 37（8）： 715-728.
	CHEN J， ZHAO X C， SUI J Y， et al. Narrative-driven large language model for temporal knowledge graph prediction ［J］. Pattern Recognition and Artificial Intelligence， 2024， 37（8）： 715-728.
[36]	YAO L， MAO C， LUO Y. KG-BERT： BERT for knowledge graph completion ［EB/OL］. ［2025-01-23］..
[37]	KIM B， HONG T， KO Y， et al. Multi-task learning for knowledge graph completion with pre-trained language models ［C］// Proceedings of the 28th International Conference on Computational Linguistics. Stroudsburg： ACL， 2020： 1737-1743.
[38]	LV X， LIN Y， CAO Y， et al. Do pre-trained models benefit knowledge graph completion？ a reliable evaluation and a reasonable approach ［C］// Findings of the Association for Computational Linguistics： ACL 2022. Stroudsburg： ACL， 2022： 3570-3581.
[39]	ALQAAIDI S K， KOCHUT K J. Relations prediction for knowledge graph completion using large language models ［C］// Proceedings of the 8th International Conference on Information Systems and Data Mining. New York： ACM， 2024： 122-127.
[40]	XIAO Y， ZHANG S， ZHOU H， et al. FuseLinker： leveraging LLM’s pre-trained text embeddings and domain knowledge to enhance GNN-based link prediction on biomedical knowledge graphs ［J］. Journal of Biomedical Informatics， 2024， 158： No.104730.
[41]	SALAZAR J， LIANG D， NGUYEN T Q， et al. Masked language model scoring ［C］// Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics. Stroudsburg： ACL， 2020： 2699-2712.
[42]	CHOI B， JANG D， KO Y. MEM-KGC： masked entity model for knowledge graph completion with pre-trained language model ［J］. IEEE Access， 2021， 9： 132025-132032.
[43]	LI D， YI M， HE Y. LP-BERT： multi-task pre-training knowledge graph BERT for link prediction ［EB/OL］. ［2025-02-12］. .
[44]	CHOI B， KO Y. Knowledge graph extension with a pre-trained language model via unified learning method ［J］. Knowledge-Based Systems， 2023， 262： No.110245.
[45]	LV X， HOU L， LI J， et al. Differentiating concepts and instances for knowledge graph embedding ［C］// Proceedings of the 2018 Conference on Empirical Methods in Natural Language Processing. Stroudsburg： ACL， 2018： 1971-1979.
[46]	WANG B， SHEN T， LONG G， et al. Structure-augmented text representation learning for efficient knowledge graph completion［C］// Proceedings of the Web Conference 2021. New York： ACM， 2021： 1737-1748.
[47]	WANG L， ZHAO W， WEI Z， et al. SimKGC： simple contrastive knowledge graph completion with pre-trained language models［C］// Proceedings of the 60th Annual Meeting of the Association for Computational Linguistics （Volume 1： Long Papers）. Stroudsburg： ACL， 2022： 4281-4294.
[48]	XIE R， LIU Z， JIA J， et al. Representation learning of knowledge graphs with entity descriptions ［C］// Proceedings of the 30th AAAI Conference on Artificial Intelligence. Palo Alto： AAAI Press， 2016： 2659-2665.
[49]	WANG X， GAO T， ZHU Z， et al. KEPLER： a unified model for knowledge embedding and pre-trained language representation ［J］. Transactions of the Association for Computational Linguistics， 2021， 9： 176-194.
[50]	DAZA D， COCHEZ M， GROTH P. Inductive entity representations from text via link prediction ［C］// Proceedings of the Web Conference 2021. New York： ACM， 2021： 798-808.
[51]	LOVELACE J， ROSÉ C. A framework for adapting pre-trained language models to knowledge graph completion ［C］// Proceedings of the 2022 Conference on Empirical Methods in Natural Language Processing. Stroudsburg： ACL， 2022： 5937-5955.
[52]	GENG Y， CHEN J， ZENG Y， et al. Prompting disentangled embeddings for knowledge graph completion with pre-trained language model ［J］. Expert Systems with Applications， 2025， 265： No.126175.
[53]	EHRLINGER L， WÖß W. Towards a definition of knowledge graphs ［C］// Proceedings of the 12th International Conference on Semantic Systems： Posters and Demos Track. Aachen： CEUR-WS.org， 2016： No.4.
[54]	SHEN J， WANG C， GONG L， et al. Joint language semantic and structure embedding for knowledge graph completion ［C］// Proceedings of the 29th International Conference on Computational Linguistics. ［S.l.］： International Committee on Computational Linguistics， 2021： 1965-1978.
[55]	CHEN C， WANG Y， SUN A， et al. Dipping PLMs sauce： bridging structure and text for effective knowledge graph completion via conditional soft prompting ［C］// Findings of the Association for Computational Linguistics： ACL 2023. Stroudsburg： ACL， 2023： 11489-11503.
[56]	NICKEL M， MURPHY K， TRESP V， et al. A review of relational machine learning for knowledge graphs ［J］. Proceedings of the IEEE， 2016， 104（1）： 11-33.
[57]	LIN Q， MAO R， LIU J， et al. Fusing topology contexts and logical rules in language models for knowledge graph completion［J］. Information Fusion， 2023， 90： 253-264.
[58]	LIN Y H， SHIEH H T， LIU C Y， et al. Retrieval-augmented language model for extreme multi-label knowledge graph link prediction ［EB/OL］. ［2025-03-12］. .
[59]	YANG F， YANG Z， COHEN W W. Differentiable learning of logical rules for knowledge base reasoning［C］// Proceedings of the 31st International Conference on Neural Information Processing Systems. Red Hook： Curran Associates Inc.， 2017： 2316-2325.
[60]	WANG J， LI W， LUVEMBE A M， et al. Exploring multi-granularity contextual semantics for fully inductive knowledge graph completion ［J］. Expert Systems with Applications， 2025， 260： No.125407.
[61]	CHOWDHERY A， NARANG S， DEVLIN J， et al. PaLM： scaling language modeling with pathways ［J］. Journal of Machine Learning Research， 2023， 24： 1-113.
[62]	BROWN T B， MANN B， RYDER N， et al. Language models are few-shot learners ［C］// Proceedings of the 34th International Conference on Neural Information Processing Systems. Red Hook： Curran Associates Inc.， 2020： 1877-1901.
[63]	WANG C， ZHOU X， PAN S， et al. Exploring relational semantics for inductive knowledge graph completion ［C］// Proceedings of the 36th AAAI Conference on Artificial Intelligence. Palo Alto： AAAI Press， 2023： 4184-4192.
[64]	SUTSKEVER I， VINYALS O， LE Q V. Sequence to sequence learning with neural networks ［C］// Proceedings of the 28th International Conference on Neural Information Processing Systems — Volume 2. Cambridge： MIT Press， 2014： 3104-3112.
[65]	SAXENA A， KOCHSIEK A， GEMULLA R. Sequence-to-sequence knowledge graph completion and question answering［C］// Proceedings of the 60th Annual Meeting of the Association for Computational Linguistics （Volume 1： Long Papers）. Stroudsburg： ACL， 2022： 2814-2828.
[66]	CHEN C， WANG Y， LI B， et al. Knowledge is flat： a Seq2Seq generative framework for various knowledge graph completion ［C］// Proceedings of the 29th International Conference on Computational Linguistics. ［S.l.］： International Committee on Computational Linguistics， 2022： 4005-4017.
[67]	XIE X， ZHANG N， LI Z， et al. From discrimination to generation： knowledge graph completion with generative Transformer ［C］// Companion Proceedings of the Web Conference 2022. New York： ACM， 2022： 162-165.
[68]	LIU Y， TIAN X， SUN Z， et al. Finetuning generative large language models with discrimination instructions for knowledge graph completion ［C］// Proceedings of the 2024 International Semantic Web Conference， LNCS 15231. Cham： Springer， 2025： 199-217.
[69]	WEI Y， HUANG Q， ZHANG Y， et al. KICGPT： large language model with knowledge in context for knowledge graph completion［C］// Findings of the Association for Computational Linguistics： EMNLP 2023. Stroudsburg： ACL， 2023： 8667-8683.
[70]	WANG Y， HU M， HUANG Z， et al. KC-GenRe： a knowledge-constrained generative re-ranking method based on large language models for knowledge graph completion ［C］// Proceedings of the 2024 Joint International Conference on Computational Linguistics， Language Resources and Evaluation. ［S.l.］： ELRA and ICCL， 2024： 9668-9680.
[71]	ZHANG W， XU Y， YE P， et al. Start from zero： triple set prediction for automatic knowledge graph completion ［J］. IEEE Transactions on Knowledge and Data Engineering， 2024， 36（11）： 7087-7101.
[72]	YANG R， ZHU J， MAN J， et al. Exploiting large language models capabilities for question answer-driven knowledge graph completion across static and temporal domains ［EB/OL］. ［2024-11-14］..
[73]	YUAN Y， XU Y， ZHANG W. Is large language model good at triple set prediction？ an empirical study ［EB/OL］. ［2025-02-15］. .
[74]	ZHANG Y， CHEN Z， GUO L， et al. Making large language models perform better in knowledge graph completion ［C］// Proceedings of the 32nd ACM International Conference on Multimedia. New York： ACM， 2024： 233-242.
[75]	BOYLAN J， MANGLA S， THORN D， et al. KGValidator： a framework for automatic validation of knowledge graph construction［C］// Joint Proceedings of the 3rd International Workshop One Knowledge Graph Generation from Text and Data Quality Meets Machine Learning and Knowledge Graphs co-located with the Extended Semantic Web Conference. Aachen： CEUR-WS.org， 2024： No.5.
[76]	WEI J， WANG X， SCHUURMANS D， et al. Chain-of-thought prompting elicits reasoning in large language models ［C］// Proceedings of the 36th International Conference on Neural Information Processing Systems. Red Hook： Curran Associates Inc.， 2022： 24824-24837.
[77]	LI D， TAN Z， CHEN T， et al. Contextualization distillation from large language model for knowledge graph completion ［C］// Findings of the Association for Computational Linguistics： EACL 2024. Stroudsburg： ACL， 2024： 458-477.
[78]	XU D， ZHANG Z， LIN Z， et al. Multi-perspective improvement of knowledge graph completion with large language models ［C］// Proceedings of the 2024 Joint International Conference on Computational Linguistics， Language Resources and Evaluation. ［S.l.］： ELRA and ICCL， 2024： 11956-11968.
[79]	SANMARTÍN D. KG-RAG： bridging the gap between knowledge and creativity ［EB/OL］. ［2025-01-23］..
[80]	XUE B， XU Y， SONG Y， et al. Unlock the power of frozen LLMs in knowledge graph completion ［EB/OL］. ［2025-01-24］..
[81]	YANG R， ZHU J， MAN J， et al. Enhancing text-based knowledge graph completion with zero-shot large language models： a focus on semantic enhancement ［J］. Knowledge-Based Systems， 2024， 300： No.112155.
[82]	SEHWAG U M， PAPASOTIRIOU K， VANN J， et al. In-context learning with topological information for LLM-based knowledge graph completion ［EB/OL］. ［2025-01-29］..
[83]	MA S， XU C， JIANG X， et al. Think-on-Graph 2.0： deep and faithful large language model reasoning with knowledge-guided retrieval augmented generation ［EB/OL］. ［2025-03-14］..
[84]	ZHU Y， WANG X， CHEN J， et al. LLMs for knowledge graph construction and reasoning： recent capabilities and future opportunities ［J］. World Wide Web， 2024， 27（5）： No.58.
[85]	YAO L， PENG J， MAO C， et al. Exploring large language models for knowledge graph completion ［C］// Proceedings of the 2025 IEEE International Conference on Acoustics， Speech and Signal Processing. Piscataway： IEEE， 2025： 1-5.

编码对象		模型	优点	缺点
三元组		KG-BERT^［36］	利用BERT语言建模能力提高了实体预测性能	依赖关系信息，难以处理低频相似实体
		MTL-KGC^［37］	多任务学习增强关系建模与词汇辨析能力	模型结构更复杂，训练成本较高
		PKGC^［38］	通过提示句生成有效利用LLM中的隐含知识	依赖提示模板设计，生成质量对结果影响较大
		RPLLM^［39］	仅依赖节点名称，适用于归纳实体预测设置	无法处理训练集中未出现过的关系类型
		FuseLinker^［40］	融合文本、结构与领域知识提升链接预测性能	融合过程较复杂，计算和调参成本高
		MEM-KGC^［42］	借助上下文掩码机制，有效处理未见实体预测	忽视知识图谱中关系结构信息
		LP-BERT^［43］	融合多种掩码策略与对比学习增强三元组建模	仍主要适用于封闭世界，泛化能力有限
		OpenWorld KGC^［44］	支持零样本学习，有效扩展知识图谱新实体	依赖复杂的多任务学习架构，训练难度较高
		StAR^［46］	采用孪生编码结构结合语言与图信息提升扩展性与语义理解能力	结构信息建模较弱，依赖空间特征抽取的效果
		SimKGC^［47］	利用关系感知对比学习策略提升实体表示能力	训练复杂度高，对负样本设计依赖较强
额外信息	描述	KEPLER^［49］	通过多任务学习增强语言建模与知识提取能力	依赖长实体描述，限制在短文本图谱的适用性
		BLP^［50］	训练目标简洁，实体表示具备良好迁移能力	任务信息有限，可能影响复杂语义建模
		文献［51］模型	解耦实体表示并多策略提升适应性与扩展性	需协调多种表示与训练策略
		PDKGC^［52］	无需微调LLM即可完成补全任务	受限于模板设计表达能力
	结构	LASS^［54］	结合语义嵌入与结构重建提升补全性能	结构信息依赖损失建模，映射过程可能有误差
	结构	CSProm-KG^［55］	通过条件软提示有效融合文本与结构信息	提示生成依赖知识嵌入质量，泛化能力受限
	路径	FTL-LM^［57］	结合路径采样与逻辑蒸馏有效建模拓扑上下文	路径生成复杂，易引入噪声
		RALM^［58］	引入检索机制提升多标签链接预测效果	邻居信息利用有限，多跳推理能力较弱
		MGCS^［60］	融合路径建模、自然语言转换与对比学习增强多跳语义理解	模型结构复杂，路径筛选与子图编码计算开销大

编码对象		模型	优点	缺点
三元组		KG-BERT^［36］	利用BERT语言建模能力提高了实体预测性能	依赖关系信息，难以处理低频相似实体
		MTL-KGC^［37］	多任务学习增强关系建模与词汇辨析能力	模型结构更复杂，训练成本较高
		PKGC^［38］	通过提示句生成有效利用LLM中的隐含知识	依赖提示模板设计，生成质量对结果影响较大
		RPLLM^［39］	仅依赖节点名称，适用于归纳实体预测设置	无法处理训练集中未出现过的关系类型
		FuseLinker^［40］	融合文本、结构与领域知识提升链接预测性能	融合过程较复杂，计算和调参成本高
		MEM-KGC^［42］	借助上下文掩码机制，有效处理未见实体预测	忽视知识图谱中关系结构信息
		LP-BERT^［43］	融合多种掩码策略与对比学习增强三元组建模	仍主要适用于封闭世界，泛化能力有限
		OpenWorld KGC^［44］	支持零样本学习，有效扩展知识图谱新实体	依赖复杂的多任务学习架构，训练难度较高
		StAR^［46］	采用孪生编码结构结合语言与图信息提升扩展性与语义理解能力	结构信息建模较弱，依赖空间特征抽取的效果
		SimKGC^［47］	利用关系感知对比学习策略提升实体表示能力	训练复杂度高，对负样本设计依赖较强
额外信息	描述	KEPLER^［49］	通过多任务学习增强语言建模与知识提取能力	依赖长实体描述，限制在短文本图谱的适用性
		BLP^［50］	训练目标简洁，实体表示具备良好迁移能力	任务信息有限，可能影响复杂语义建模
		文献［51］模型	解耦实体表示并多策略提升适应性与扩展性	需协调多种表示与训练策略
		PDKGC^［52］	无需微调LLM即可完成补全任务	受限于模板设计表达能力
	结构	LASS^［54］	结合语义嵌入与结构重建提升补全性能	结构信息依赖损失建模，映射过程可能有误差
	结构	CSProm-KG^［55］	通过条件软提示有效融合文本与结构信息	提示生成依赖知识嵌入质量，泛化能力受限
	路径	FTL-LM^［57］	结合路径采样与逻辑蒸馏有效建模拓扑上下文	路径生成复杂，易引入噪声
		RALM^［58］	引入检索机制提升多标签链接预测效果	邻居信息利用有限，多跳推理能力较弱
		MGCS^［60］	融合路径建模、自然语言转换与对比学习增强多跳语义理解	模型结构复杂，路径筛选与子图编码计算开销大

生成目标		模型	优点	缺点
链接预测	实体或关系预测	KGT5^［65］	将补全转为生成任务，统一多任务处理	依赖实体描述，难处理缺失信息场景
		KG-S2S^［66］	扁平化建模适应结构多样，预测能力强	忽略原始结构，语义一致性较弱
		GenKGC^［67］	分层解码加速推理，建模语义交互	低频实体需额外约束
		DIFT^［68］	结合判别指令降低实体对齐错误	需候选生成与微调，流程复杂
	候选实体或关系排名	KICGPT^［69］	结合知识提示提升候选重排效果	易出现候选不匹配与遗漏问题
	候选实体或关系排名	KC-GenRe^［70］	引入交互训练与约束推理提升排序准确性	训练复杂，依赖标识符规范性
	三元组集合预测	GS-KGC^［72］	结合子图信息增强生成上下文与推理能力	子图提取与负采样复杂，易引入冗余
	三元组集合预测	LLM-TSPF^［73］	融合规则挖掘与图划分指导生成预测	依赖规则质量，划分误差影响结果
三元组分类		KoPA^［74］	结构嵌入引入语言空间，提升三元组分类准确性	结构-文本映射复杂，虚拟标记依赖质量
三元组分类		KGValidator^［75］	结合多源信息验证三元组有效性，提升评估效率	依赖上下文信息，复杂场景偏差可能较大

生成目标		模型	优点	缺点
链接预测	实体或关系预测	KGT5^［65］	将补全转为生成任务，统一多任务处理	依赖实体描述，难处理缺失信息场景
		KG-S2S^［66］	扁平化建模适应结构多样，预测能力强	忽略原始结构，语义一致性较弱
		GenKGC^［67］	分层解码加速推理，建模语义交互	低频实体需额外约束
		DIFT^［68］	结合判别指令降低实体对齐错误	需候选生成与微调，流程复杂
	候选实体或关系排名	KICGPT^［69］	结合知识提示提升候选重排效果	易出现候选不匹配与遗漏问题
	候选实体或关系排名	KC-GenRe^［70］	引入交互训练与约束推理提升排序准确性	训练复杂，依赖标识符规范性
	三元组集合预测	GS-KGC^［72］	结合子图信息增强生成上下文与推理能力	子图提取与负采样复杂，易引入冗余
	三元组集合预测	LLM-TSPF^［73］	融合规则挖掘与图划分指导生成预测	依赖规则质量，划分误差影响结果
三元组分类		KoPA^［74］	结构嵌入引入语言空间，提升三元组分类准确性	结构-文本映射复杂，虚拟标记依赖质量
三元组分类		KGValidator^［75］	结合多源信息验证三元组有效性，提升评估效率	依赖上下文信息，复杂场景偏差可能较大

任务	模型	优点	缺点
链接预测	Contextualization Distillation^［77］	生成上下文描述增强语义理解	生成文本需结构一致性
	MPIKGC^［78］	多角度提示提升语义与结构理解	策略设计复杂，依赖提示质量
	KG-RAG^［79］	从文本提取信息补全图谱内容	实体抽取与整合易引入噪声
	FrozenLLM-KGC^［80］	中间层特征提升理解与分类性能	依赖提示上下文构造质量
	CP-KGC^［81］	上下文约束解决歧义，提升描述质量	清洗流程繁琐，信息易丢失
	LLM-KGC-Topo^［82］	中间推理增强可解释性与准确性	长序列推理易出错，缺少纠错机制
	Think-on-Graph 2.0^［83］	图文联合检索提升长程推理能力	迭代过程复杂，需大量外部信息
	Auto-KG^［84］	多智能体协作挖掘潜在关系	智能体协调复杂，成本较高
三元组分类	KG-LLM^［85］	自然语言转化增强推理与分类能力	表达方式依赖模型语言理解能力

面向知识图谱补全的大模型方法综述

Review of large language model methods for knowledge graph completion

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 12

参考文献 85

相关文章 15

编辑推荐

Metrics

模型类别	模型	FB15K-237			WN18RR
模型类别	模型	Hits@1	Hits@10	MRR	Hits@1	Hits@10	MRR
将大语言模型作为编码器的知识图谱补全方法	KG-BERT	—	0.420	—	—	0.524	—
	MTL-KGC	0.172	0.458	0.267	0.203	0.597	0.331
	MEM-KGC	0.266	0.576	0.341	0.428	0.658	0.505
	LP-BERT	0.223	0.490	0.310	0.343	0.752	0.482
	StAR	0.205	0.482	0.296	0.243	0.709	0.401
	SimKGC	0.249	0.511	0.336	0.587	0.800	0.666
	BLP	0.113	0.363	0.195	0.135	0.580	0.285
	文献［51］模型	0.287	0.564	0.377	0.531	0.742	0.600
	PDKGC	0.285	0.566	0.379	0.505	0.713	0.577
	LASS	—	0.527	—	—	0.769	—
	CSProm-KG	0.269	0.393	0.358	0.522	0.678	0.575
	FTL-LM	0.253	0.521	0.348	0.452	0.773	0.543
将大语言模型作为生成器的知识图谱补全方法	KGT5	0.210	0.414	0.276	0.487	0.544	0.508
	KG-S2S	0.257	0.498	0.336	0.531	0.661	0.574
	KG-LLM	—	—	—	0.315	—	—
	DIFT	0.364	0.586	0.439	0.569	0.708	0.617
	KICGPT	0.321	0.581	0.410	0.478	0.677	0.564
	GS-KGC	0.334	—	—	0.352	—	—
基于提示引导的知识图谱补全方法	Contextualization Distillation	—	—	—	0.526	0.672	0.576
	MPIKGC	0.264	0.537	0.355	0.491	0.628	0.538
	CP-KGC	0.243	0.503	0.329	0.580	0.773	0.648

[1]	何金栋, 及宇轩, 陈天赐, 许恒铭, 耿技, 曹明生, 梁员宁. 基于知识图谱和大模型的非智能传感器的实体发现方法[J]. 《计算机应用》唯一官方网站, 2026, 46(2): 354-360.
[2]	王雪, 张丽萍, 闫盛, 李娜, 张学飞. 多模态知识图谱补全方法综述[J]. 《计算机应用》唯一官方网站, 2026, 46(2): 341-353.
[3]	高飞, 陈董, 边帝行, 范文强, 刘起东, 吕培, 张朝阳, 徐明亮. 面向学科撤销后科研人员重分配的多阶段耦合决策框架[J]. 《计算机应用》唯一官方网站, 2026, 46(2): 416-426.
[4]	王菲, 陶冶, 刘家旺, 李伟, 秦修功, 张宁. 面向智慧家庭空间的时空知识图谱的双模态融合构建方法[J]. 《计算机应用》唯一官方网站, 2026, 46(1): 52-59.
[5]	林怡, 夏冰, 王永, 孟顺达, 刘居宠, 张书钦. 基于AI智能体的隐藏RESTful API识别与漏洞检测方法[J]. 《计算机应用》唯一官方网站, 2026, 46(1): 135-143.
[6]	谢欣冉, 崔喆, 陈睿, 彭泰来, 林德坤. 基于层次过滤与标签语义扩展的大模型零样本重排序方法[J]. 《计算机应用》唯一官方网站, 2026, 46(1): 60-68.
[7]	张滨滨, 秦永彬, 黄瑞章, 陈艳平. 结合大语言模型与动态提示的裁判文书摘要方法[J]. 《计算机应用》唯一官方网站, 2025, 45(9): 2783-2789.
[8]	刘超, 余岩化. 融合降噪策略与多视图对比学习的知识感知推荐模型[J]. 《计算机应用》唯一官方网站, 2025, 45(9): 2827-2837.
[9]	彭一峰, 朱焱. 结合预处理方法和对抗学习的公平链接预测[J]. 《计算机应用》唯一官方网站, 2025, 45(8): 2566-2571.
[10]	冯涛, 刘晨. 自动化偏好对齐的双阶段提示调优方法[J]. 《计算机应用》唯一官方网站, 2025, 45(8): 2442-2447.
[11]	刘爽, 刘大庆, 孟佳娜, 赵迪. 融合噪声过滤的超关系知识图谱补全方法[J]. 《计算机应用》唯一官方网站, 2025, 45(6): 1817-1826.
[12]	徐春, 吉双焱, 马欢, 孙恩威, 王萌萌, 苏明钰. 基于知识图谱和对话结构的问诊推荐方法[J]. 《计算机应用》唯一官方网站, 2025, 45(4): 1157-1168.
[13]	孙熠衡, 刘茂福. 基于知识提示微调的标书信息抽取方法[J]. 《计算机应用》唯一官方网站, 2025, 45(4): 1169-1176.
[14]	徐梓芯, 易修文, 鲍捷, 李天瑞, 张钧波, 郑宇. 面向流行病学调查的知识图谱构建与应用[J]. 《计算机应用》唯一官方网站, 2025, 45(4): 1340-1348.
[15]	翟社平, 杨晴, 黄妍, 杨锐. 融合有向关系与关系路径的层次注意力的知识图谱补全[J]. 《计算机应用》唯一官方网站, 2025, 45(4): 1148-1156.