摘要
近年来，众多研究致力于通过融合知识图谱的结构信息，提升预训练语言模型（PLMs）在知识图谱补全（KGC）任务中的性能。然而，现有方法尚未有效结合知识图谱的结构属性与实体的文本描述，以生成鲁棒的实体编码。为解决这一问题，本文提出MoCoKGC（基于动量对比的实体编码知识图谱补全模型），该模型引入三种核心编码器：实体-关系编码器、实体编码器以及动量实体编码器。动量对比学习不仅能够提供更丰富的负样本，还支持实体编码的渐进式更新。在此基础上，本文将生成的实体编码重新输入编码器，以进一步融合知识图谱的结构信息。此外，MoCoKGC通过关系的深度提示（deep prompts）增强了实体-关系编码器的推理能力。在标准评估指标平均倒数排名（MRR）上，MoCoKGC模型表现出色，在WN18RR数据集上实现7.1%的性能提升，在Wikidata5M数据集上提升达11%，同时在FB15k-237数据集上也超越了当前最优模型。通过一系列系统性实验，本文深入分析了模型各组件及参数的作用与贡献。