Wir stellen KBGAN vor, ein adversariales Lernframework, das die Leistungsfähigkeit einer breiten Palette von existierenden Wissensgraphen-Modellen verbessern soll. Da Wissensgraphen in der Regel nur positive Fakten enthalten, ist das Sampling nützlicher negativer Trainingsbeispiele eine nicht-triviale Aufgabe. Die Ersetzung des Kopf- oder Schwanzentitäts eines Fakts durch eine gleichverteilte zufällig ausgewählte Entität ist eine konventionelle Methode zur Generierung negativer Fakten, aber die Mehrheit der generierten negativen Fakten kann leicht von positiven Fakten unterschieden werden und trägt wenig zum Training bei. Inspiriert von generativen adversarial networks (GANs), verwenden wir ein Wissensgraphen-Modell als Generator für negative Beispiele, um das Training unseres gewünschten Modells zu unterstützen, das als Diskriminator in den GANs fungiert. Dieses Framework ist unabhängig von der konkreten Form des Generators und des Diskriminators und kann daher eine Vielzahl von Wissensgraphen-Modellen als Bausteine nutzen. In Experimenten trainieren wir zwei translationsbasierte Modelle, TransE und TransD, jeweils mit Unterstützung eines der beiden wahrscheinlichkeitsbasierten Modelle, DistMult und ComplEx. Wir bewerten die Leistungsfähigkeit von KBGAN anhand der Link-Vorhersage-Aufgabe unter Verwendung dreier Datensätze zur Vervollständigung von Wissensbasen: FB15k-237, WN18 und WN18RR. Die experimentellen Ergebnisse zeigen, dass adversariales Training die Leistungsfähigkeit der Ziel-Embedding-Modelle erheblich unter verschiedenen Einstellungen verbessert.