[目的]探究知识图谱补全任务,挖掘语义与结构信息,完善知识图谱并提升质量与可靠性。 [方法]基于传统方法进行改进,本文提出一种融合语义与结构信息的知识图谱补全模型,通过预训练语言模型增强知识图谱内文本及上下文数据的嵌入表示,捕获实体与关系的语义信息,并构建实体-关系矩阵以映射知识图谱图网络结构,获取实体的邻域信息与关系约束,进一步融合潜在数据,进行模型训练并预测丢失实体,最终达成知识图谱补全任务。 [结果]与基线方法性能相比,模型的Hits@3评测指标在FB15k-237、WN18RR和UMLS数据集上分别提升0.5、0.6和0.6个百分点。 [局限]受限于语言模型的基础表示能力,未能结合...