基于双通道嵌入融合的零样本知识图谱关系预测方法

doi:10.11772/j.issn.1001-9081.2025080945

《计算机应用》唯一官方网站 ›› 2026, Vol. 46 ›› Issue (10): 3117-3123.DOI: 10.11772/j.issn.1001-9081.2025080945

• 人工智能 • 上一篇

基于双通道嵌入融合的零样本知识图谱关系预测方法

高兵¹, 林锦卓¹, 邹启杰¹(), 姚永强²

^1.大连大学信息工程学院，辽宁大连 116622
^2.大连大学附属中山医院，辽宁大连 116001

收稿日期:2025-08-19 修回日期:2025-10-07 接受日期:2025-10-16 发布日期:2025-11-18 出版日期:2026-10-10
通讯作者: 邹启杰
作者简介:高兵（1976—），男，黑龙江哈尔滨人，副教授，博士，CCF会员，主要研究方向：数据挖掘、大数据分析
林锦卓（2001—），男，河北邢台人，硕士研究生，主要研究方向：知识图谱
姚永强（1976—），男，辽宁大连人，教授，博士，主要研究方向：乳腺和甲状腺外科临床。
基金资助:
辽宁省科学研究经费资助项目(LJKZ1180);大连大学学科交叉一般类项目(DLUXK-2024-YB-002);大连大学学科建设专项(DLUXK-2025-FX-001)

Zero-shot knowledge graph relation prediction method via dual-channel embedding fusion

Bing GAO¹, Jinzhuo LIN¹, Qijie ZOU¹(), Yongqiang YAO²

^1.College of Information Engineering，Dalian University，Dalian Liaoning 116622，China
^2.Affiliated Zhongshan Hospital of Dalian University，Dalian Liaoning 116001，China

Received:2025-08-19 Revised:2025-10-07 Accepted:2025-10-16 Online:2025-11-18 Published:2026-10-10
Contact: Qijie ZOU
About author:GAO Bing， born in 1976， Ph. D.， associate professor. His research interests include data mining， big data analysis.
LIN Jinzhuo， born in 2001， M. S. candidate. His research interests include knowledge graph.
YAO Yongqiang， born in 1976， Ph. D.， professor. His research interests include clinical breast and thyroid surgery.
Supported by:
Scientific Research Project of Liaoning Province(LJKZ1180);Interdisciplinary General Project of Dalian University(DLUXK-2024-YB-002);Dalian University Discipline Development Special Project(DLUXK-2025-FX-001)

摘要/Abstract

摘要：

零样本知识图谱关系预测任务旨在根据知识图谱已有的事实三元组推理预测包含未见关系的事实三元组。已有方法大多仅考虑关系的文本信息和图结构信息，而未充分利用实体的描述信息；针对关系的文本信息仅依赖于数据集本身的文本描述，难以捕捉关系的详细语义与知识图谱三元组整体的语义信息。为解决上述问题，本文提出一种基于双通道嵌入融合的零样本知识图谱关系预测方法。首先，使用结构编码器和语义编码器分别生成三元组实体部分的结构特征与语义特征；其次，通过双通道实体多模态信息融合模块融合得到的特征，同时利用大语言模型（LLM）的文本生成能力生成关系文本语义增强后的描述信息；再次，经过训练，语义增强后的语义特征与实体的多模态特征在向量空间中满足语义一致性；最后，针对零样本关系，根据语义增强后的文本描述信息完成零样本知识图谱关系预测。在两个真实数据集上的实验结果表明，相较于最优基线模型，在NELL_ZS数据集上，所提方法的平均倒数排名（MRR）、Hit@1、Hit@5和Hit@10分别提高了8.7、7.2、9.5和11.2个百分点；在WN18RR_ZSL数据集上，所提方法的MRR、Hit@1、Hit@5和Hit@10分别提高了6.6、9.2、3.9和0.8个百分点，验证了所提方法的有效性。

关键词: 知识图谱补全, 零样本知识图谱补全, 关系预测, 多模态融合, 生成对抗网络

Abstract:

Zero-shot knowledge graph relation prediction aims to infer triplets with unseen relations using the existing fact triplets. The existing methods often underutilize entity descriptions， only considering text information and graph structure information of relations. Text information for relations only relies on dataset-provided text descriptions， so it is difficult to capture the detailed semantics of relations and the overall semantic information of knowledge graph triplets. To address this issue， a zero-shot knowledge graph relation prediction method via dual-channel embedding fusion was proposed. First， a structural encoder and a semantic encoder were used to generate structural and semantic features of triplet entities. Then， the obtained features were fused via a dual-channel entity multimodal information fusion module， and the text generation ability of Large Language Models （LLMs） was used to generate description information after enhancing relation text semantics. Third， through training， semantically enhanced relation features and multimodal entity features were aligned semantically in vector space. Finally， for zero-shot relations， zero-shot knowledge graph relation prediction was realized according to semantically enhanced text description information. Experimental results on two real datasets show that compared to the optimal baseline method， on the NELL_ZS dataset， the proposed method improves Mean Reciprocal Rank （MRR）， Hit@1， Hit@5， and Hit@10 by 8.7， 7.2， 9.5， and 11.2 percentage points， respectively； on the WN18RR_ZSL dataset， the proposed method improves MRR， Hit@1， Hit@5， and Hit@10 by 6.6， 9.2， 3.9， and 0.8 percentage points， respectively， demonstrating the effectiveness of the proposed method.

Key words: Knowledge Graph Completion (KGC), Zero-Shot Knowledge Graph Completion (ZS-KGC), relation prediction, multi-modal fusion, Generative Adversarial Network (GAN)

中图分类号:

TP391.1

高兵, 林锦卓, 邹启杰, 姚永强. 基于双通道嵌入融合的零样本知识图谱关系预测方法[J]. 计算机应用, 2026, 46(10): 3117-3123.

Bing GAO, Jinzhuo LIN, Qijie ZOU, Yongqiang YAO. Zero-shot knowledge graph relation prediction method via dual-channel embedding fusion[J]. Journal of Computer Applications, 2026, 46(10): 3117-3123.

图/表 9

参考文献 20

[1]	Bollacker K， Evans C， Paritosh P， et al. Freebase： a collaboratively created graph database for structuring human knowledge［C］// SIGMOD 2008. New York： ACM， 2008： 1247-1250.
[2]	Suchanek F M， Kasneci G， Weikum G. YAGO： a core of semantic knowledge［C］// WWW 2007. New York： ACM， 2007： 697-706.
[3]	Mitchell T， Cohen W， Hruschka E， et al. Never-ending learning［J］. Communications of the ACM， 2018， 61（5）： 103-115.
[4]	Vrandečić D， Krötzsch M. Wikidata： a free collaborative knowledgebase［J］. Communications of the ACM， 2014， 57（10）： 78-85.
[5]	Fdez-Díaz M， Quevedo J R， Montañés E. Target inductive methods for zero-shot regression［J］. Information Sciences， 2022， 599： 44-63.
[6]	Hao Y， Cao X， Fang Y， et al. Inductive link prediction for nodes having only attribute information［C］// IJCAI 2020. California： IJCAI， 2020： 1209-1215.
[7]	郑修林，周鹏，李培培，等. 知识图谱补全技术及应用［J］. 软件学报， 2025， 36（12）： 5599-5628.
	Zheng Xiulin， Zhou Peng， Li Peipei， et al. Knowledge graph completion： techniques and applications［J］. Journal of Software， 2025， 36（12）： 5599-5628.
[8]	Qin P， Wang X， Chen W， et al. Generative adversarial zero-shot relational learning for knowledge graphs［J］. Proceedings of the AAAI Conference on Artificial Intelligence， 2020， 34（5）： 8673-8680.
[9]	Goodfellow I J， Pouget-Abadie J， Mirza M， et al. Generative adversarial nets［C］// NeurIPS 2014. Cambridge： MIT Press， 2014： 2672-2680.
[10]	Geng Y， Chen J， Chen Z， et al. OntoZSL： ontology-enhanced zero-shot learning［C］// WWW 2021. New York： ACM， 2021： 3325-3336.
[11]	Yang Y， Hospedales T M. A unified perspective on multi-domain and multi-task learning［PP/OL］. V2. arXiv （2015-03-26）［2025-12-23］..
[12]	Ba J L， Swersky K， Fidler S. Predicting deep zero-shot convolutional neural networks using textual descriptions［C］// ICCV 2015. Piscataway： IEEE， 2015： 4247-4255.
[13]	Geng Y， Chen J， Zhang W， et al. Disentangled ontology embedding for zero-shot learning［C］// KDD 2022. New York： ACM， 2022： 443-453.
[14]	Schlichtkrull M， Kipf T N， Bloem P， et al. Modeling relational data with graph convolutional networks［C］// ESWC 2018， LNCS 10843. Cham： Springer， 2018： 593-607.
[15]	Wei Y， Huang Q， Kwok J T， 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.
[16]	Bordes A， Usunier N， Garcia-Durán A， et al. Translating embeddings for modeling multi-relational data［C］// NeurIPS 2013. Cambridge： MIT Press， 2013： 2787-2795.
[17]	Yang B， Yih W T， He X， et al. Embedding entities and relations for learning and inference in knowledge bases［PP/OL］. V4. arXiv （2015-08-29）［2025-12-20］..
[18]	Trouillon T， Welbl J， Riedel S， et al. Complex embeddings for simple link prediction［J］. Proceedings of Machine Learning Research， 2016， 48： 2071-2080.
[19]	Wang B， Shen T， Long G， et al. Structure-augmented text representation learning for efficient knowledge graph completion［C］// WWW 2021. New York： ACM， 2021： 1737-1748.
[20]	Hinton G E， Roweis S. Stochastic neighbor embedding［C］// NeurIPS 2002. Cambridge： MIT Press， 2002： 857-864.

数据集	实体数	三元组数	关系数
NELL_ZS	65 567	188 392	139/10/32
WN18RR_ZSL	40 943	87 667	6/2/3

数据集	实体数	三元组数	关系数
NELL_ZS	65 567	188 392	139/10/32
WN18RR_ZSL	40 943	87 667	6/2/3

方法	NELL_ZS				WN18RR_ZSL
方法	MRR	Hit@10/%	Hit@5/%	Hit@1/%	MRR	Hit@10/%	Hit@5/%	Hit@1/%
ZS_TransE	0.097	20.3	14.7	4.3	0.043	10.2	6.1	0.8
ZS_DistMult	0.235	32.6	28.4	18.5	0.109	17.6	10.1	5.3
ZS_ComplEx	0.216	31.6	26.7	16.0	0.098	14.0	8.6	3.3
StAR	0.192	37.2	26.6	10.9	0.271	47.9	37.4	16.7
ZSGAN	0.253	37.6	31.6	19.4	0.149	28.3	20.6	8.4
Onto-ZSL	0.256	38.5	31.8	18.8	—	—	—	—
本文方法（TransE）	0.343	49.4	41.1	26.6	0.337	48.7	41.3	25.9
本文方法（DistMult）	0.340	49.7	41.3	25.8	0.303	47.4	38.9	21.6

方法	NELL_ZS				WN18RR_ZSL
方法	MRR	Hit@10/%	Hit@5/%	Hit@1/%	MRR	Hit@10/%	Hit@5/%	Hit@1/%
ZS_TransE	0.097	20.3	14.7	4.3	0.043	10.2	6.1	0.8
ZS_DistMult	0.235	32.6	28.4	18.5	0.109	17.6	10.1	5.3
ZS_ComplEx	0.216	31.6	26.7	16.0	0.098	14.0	8.6	3.3
StAR	0.192	37.2	26.6	10.9	0.271	47.9	37.4	16.7
ZSGAN	0.253	37.6	31.6	19.4	0.149	28.3	20.6	8.4
Onto-ZSL	0.256	38.5	31.8	18.8	—	—	—	—
本文方法（TransE）	0.343	49.4	41.1	26.6	0.337	48.7	41.3	25.9
本文方法（DistMult）	0.340	49.7	41.3	25.8	0.303	47.4	38.9	21.6

数据集	Fusion	LLM	MRR	Hit@10/%	Hit@5/%	Hit@1/%
NELL_ZS	√		0.325	47.9	40.2	24.5
		√	0.301	45.2	37.2	22.5
	√	√	0.343	49.4	41.1	26.6
WN18RR_ZSL	√		0.254	37.0	31.6	19.0
		√	0.256	42.1	33.9	16.7
	√	√	0.337	48.7	41.3	25.9

基于双通道嵌入融合的零样本知识图谱关系预测方法

Zero-shot knowledge graph relation prediction method via dual-channel embedding fusion

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 20

相关文章 15

编辑推荐

Metrics

数据集	模型	MRR	Hit@10/%	Hit@5/%	Hit@1/%
NELL_ZS	Qwen-MAX	0.343	49.4	41.1	26.6
NELL_ZS	Qwen3-30B	0.320	46.7	39.1	24.4
WN18RR_ZSL	Qwen-MAX	0.337	48.7	41.3	25.9
WN18RR_ZSL	Qwen3-30B	0.293	46.9	37.3	20.9

[1]	李佳航, 韩启龙, 李丽洁, 张慧. 基于大语言模型的超关系知识图谱限定符增强方法[J]. 《计算机应用》唯一官方网站, 2026, 46(7): 2043-2053.
[2]	崔选, 刘波. 基于动态卷积自编码器的无监督人脸属性编辑方法[J]. 《计算机应用》唯一官方网站, 2026, 46(4): 1300-1308.
[3]	张永兵, 闫丽蓉, 唐晓芬. 渐进式双阶段模态交互的单域泛化目标检测[J]. 《计算机应用》唯一官方网站, 2026, 46(4): 1264-1274.
[4]	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》唯一官方网站, 2026, 46(3): 683-695.
[5]	陈敏, 秦小林, 李绍涵, 杨昊, 李韬弘. 深度学习应用于强对流天气预测的综述[J]. 《计算机应用》唯一官方网站, 2026, 46(3): 980-992.
[6]	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.
[7]	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.
[8]	李亚男, 郭梦阳, 邓国军, 陈允峰, 任建吉, 原永亮. 基于多模态融合特征的并分支发动机寿命预测方法[J]. 《计算机应用》唯一官方网站, 2026, 46(1): 305-313.
[9]	菅银龙, 陈学斌, 景忠瑞, 钟琪, 张镇博. 联邦学习中基于条件生成对抗网络的数据增强方案[J]. 《计算机应用》唯一官方网站, 2026, 46(1): 21-32.
[10]	樊娜, 罗闯, 张泽晖, 张梦瑶, 穆鼎. 基于改进生成对抗网络的车辆轨迹语义隐私保护机制[J]. 《计算机应用》唯一官方网站, 2026, 46(1): 169-180.
[11]	王丽芳, 任文婧, 郭晓东, 张荣国, 胡立华. 用于低剂量CT图像降噪的多路特征生成对抗网络[J]. 《计算机应用》唯一官方网站, 2026, 46(1): 270-279.
[12]	邓伊琳, 余发江. 基于LSTM和可分离自注意力机制的伪随机数生成器[J]. 《计算机应用》唯一官方网站, 2025, 45(9): 2893-2901.
[13]	周金, 李玉芝, 张徐, 高硕, 张立, 盛家川. 复杂电磁环境下的调制识别网络[J]. 《计算机应用》唯一官方网站, 2025, 45(8): 2672-2682.
[14]	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.
[15]	黄颖, 高胜美, 陈广, 刘苏. 结合信噪比引导的双分支结构和直方图均衡的低照度图像增强网络[J]. 《计算机应用》唯一官方网站, 2025, 45(6): 1971-1979.