现实世界数据通常呈长尾分布，且类别数量众多。这一特性导致各类模型性能显著下降。其中一个重要原因是在每个训练迭代中，未采样的类别引发梯度偏移。为此，本文提出一种基于权重引导的类别补全框架（Weight-Guided Class Complementing, WGCC）以解决该问题。具体而言，该框架首先在每次训练迭代中，利用动态更新的数据槽对未采样的类别进行补全；随后，针对类别补全可能引发的过拟合问题，引入分类器权重作为模型所学知识，引导模型挖掘更具类别的特异性特征；最后，设计了一种权重精炼机制，以缓解分类器权重中存在的长尾偏差问题。实验结果表明，所提框架可有效集成于多种现有方法之上，在多个基准测试上均实现一致性的性能提升，并达到新的最先进水平。