近日，实验室博士生李记如关于知识图谱的研究成果被Information Processing and Management (IPM) 录用。IPM是多媒体领域的CCF推荐B类会议。

论文题目：Memory-KGC: Memory-augmented structural learning for Knowledge Graph Completion

中文题目：Memory-KGC：面向知识图谱补全的记忆增强结构学习方法

摘要：随着大语言模型（LLMs）的快速发展，知识图谱（KGs）已成为增强自然语言处理（NLP）中事实推理能力的重要工具。然而，知识图谱固有的不完整性限制了其有效性，因此知识图谱补全（KGC）任务受到关注。该任务旨在基于已有事实推断缺失关系。现有的知识图谱补全方法通常依赖局部子图，这限制了对全局结构信息的利用，并可能引入噪声。为了解决这些问题，我们提出了 Memory-KGC，一种面向知识图谱补全的记忆增强结构学习框架。该模型引入了一个可训练的记忆模块，用于显式捕获并存储知识图谱的全局结构知识，同时结合局部子图信息，以优化实体匹配并减少噪声。在多个基准数据集上的大量实验表明，包括在包含超过 450 万个实体的大规模图上的实验，Memory-KGC 显著优于当前最先进的模型。消融实验进一步验证了记忆模块和子图集成的有效性。