对比即记忆：语义邻居检索增强的归纳式多模态知识图谱补全
内容提要
本文介绍了多种知识图谱补全和推理模型，如SimKGC、MoMoK和KGCL，利用对比学习和多模态特征提升性能。实验结果表明，这些模型在多个基准数据集上表现优异，尤其在复杂关系和噪声环境下。
延伸解读
对比学习成为知识图谱补全的重要方向
文章汇总的多个模型（SimKGC、KGCL、MCCLK等）均采用对比学习技术，通过构造负例或跨视图对比来提升知识图谱补全性能。这表明对比学习能有效利用语义邻居信息，增强模型在复杂关系和噪声环境下的鲁棒性，是当前归纳式多模态知识图谱补全的研究热点。
多模态融合提升复杂关系下的补全能力
MoMoK和VBKGC等模型通过协同建模结构信息与实体的多模态特征（如视觉、文本），在复杂关系环境中自适应学习嵌入。多模态信息的引入弥补了纯结构方法的不足，尤其在链路预测任务中表现突出，为多模态知识图谱补全提供了新思路。
低资源与噪声场景下的性能优化
kNN-KGE通过显式存储稀有实体，KGCL利用对比学习抑制噪声，这些方法针对低资源、稀疏和长尾场景进行了优化。实验表明，它们能提升归纳式和传导式链接预测效果，为实际应用中数据稀缺或质量不高的知识图谱补全提供了可行方案。
多模态推理与大型语言模型的结合
MR-MKG利用多模态知识图谱跨模态学习语义知识，仅训练2.25%的LLM参数，就在多模态问答和类比推理任务上超越先前最优模型。这展示了知识图谱增强大型语言模型推理能力的潜力，为多模态知识图谱补全与下游应用的结合指明了方向。
Q&A
SimKGC模型的主要特点是什么？
SimKGC模型通过引入三种不同类型的负例和InfoNCE Loss，实现了高效的自然语言文本推理知识图谱补全，表现优于基于图嵌入的方法。
MoMoK框架如何提升多模态知识图谱的性能？
MoMoK框架通过协同建模三元组中的结构信息和实体的多模态特征，自适应地学习多模态嵌入，在复杂关系环境下表现出色。
KGCL框架是如何减少知识图谱中的噪声的？
KGCL框架通过知识图谱增强模式和交叉视图对比学习技术，减少噪声，实现了在稀疏和有噪声的知识图谱场景下的强大性能。
CKG动态表示方法的优势是什么？
CKG动态表示方法利用外部知识图谱中的实体信息，提高语言句子的正确语义，在多项任务中达到了最优结果。
VBKGC模型采用了什么策略来提升链路预测任务的表现？
VBKGC模型采用双胞胎负采样策略，能够捕捉多模态信息并集成到KGC模型中，表现出色于链路预测任务。
MR-MKG方法如何提高多模态推理的能力？
MR-MKG方法通过利用多模态知识图跨模态学习，显著提高了大型语言模型在多模态推理中的能力，表现优于之前的最新模型。
