KGRefiner：用于提升翻译链接预测方法准确性的知识图谱精炼

链接预测是指预测知识图谱中实体之间缺失关系的任务。近年来，链接预测的研究尝试通过在神经网络架构中增加层数来提升预测准确率。本文提出一种新颖的方法，通过优化知识图谱结构，使基于相对快速的平移模型（translational models）的链接预测能够更加准确地执行。与深度学习方法相比，平移类链接预测模型（如TransE、TransH、TransD）具有更低的计算复杂度。本文方法利用知识图谱中关系与实体的层次结构，将实体信息以辅助节点的形式引入图中，并将其连接至其层次结构中包含该信息的节点。实验结果表明，该方法能够显著提升平移类链接预测模型在H@10、MR和MRR等指标上的性能。