نقدم إطار KBGAN، وهو إطار تعلم متنافس لتحسين أداء مجموعة واسعة من نماذج تمثيل الرسم البياني للمعرفة الحالية. نظرًا لأن الرسوم البيانية للمعرفة عادةً ما تحتوي فقط على حقائق إيجابية، فإن اختيار أمثلة تدريب سلبية مفيدة هو مهمة ليست بسيطة. استبدال الكيان الأول أو الثاني في حقيقة بكائن تم اختياره بشكل عشوائي ومتساوٍ في الاحتمالات هو طريقة تقليدية لإنشاء حقائق سلبية، ولكن الغالبية العظمى من الحقائق السلبية المُنشَأة يمكن التمييز بينها وبين الحقائق الإيجابية بسهولة، ولن تساهم بشكل كبير في التدريب. مستوحى من شبكات التعلم المتنافسة (GANs)، نستخدم أحد نماذج تمثيل الرسم البياني للمعرفة كمولد أمثلة سلبية لمساعدة تدريب النموذج المرغوب لدينا، والذي يعمل كمميز في شبكات GANs. هذا الإطار مستقل عن الشكل المحدد لمولد الأمثلة السلبية والمميز، وبالتالي يمكنه استخدام مجموعة متنوعة من نماذج تمثيل الرسم البياني للمعرفة كمكونات بنائية. في التجارب، قمنا بتدريب متنافس لنموذجين تعتمدان على الترجمة، وهما TransE وTransD، بكل منهما مع مساعدة من أحد النموذجين اللذين يعتمدان على الاحتمالات، وهما DistMult وComplEx. قمنا بتقييم أداء KBGAN في مهمة التنبؤ بالروابط باستخدام ثلاثة مجموعات بيانات لإكمال القاعدة المعرفية: FB15k-237 وWN18 وWN18RR. أظهرت نتائج التجارب أن التدريب المتنافس يحسن بشكل كبير أداء النماذج المستهدفة للتمثيل تحت مختلف الإعدادات.