Resumen: Los métodos convencionales de finalización de gráficos de conocimiento (KGC) tienen como objetivo inferir información faltante en gráficos de conocimiento (KG) incompletos aprovechando la información existente, que tiene dificultades para funcionar de manera efectiva en escenarios que involucran entidades emergentes. Los métodos inductivos de KGC pueden manejar las entidades y relaciones emergentes en los KG, ofreciendo una mayor adaptabilidad dinámica. Si bien los métodos inductivos KGC existentes han logrado cierto éxito, también enfrentan desafíos, como la susceptibilidad a información estructural ruidosa durante el razonamiento y la dificultad para capturar dependencias de largo alcance en las rutas de razonamiento. Para abordar estos desafíos, este artículo propone el marco de razonamiento semántico a nivel de ruta acumulativa para la finalización de gráficos de conocimiento inductivo (CPSR), que captura simultáneamente la información estructural y semántica de los KG para mejorar la tarea inductiva de KGC. Específicamente, el CPSR propuesto emplea un módulo de enmascaramiento dependiente de consultas para enmascarar de forma adaptativa información estructural ruidosa y al mismo tiempo retener información importante estrechamente relacionada con los objetivos. Además, CPSR introduce un módulo de puntuación semántica global que evalúa tanto las contribuciones individuales como el impacto colectivo de los nodos a lo largo del camino de razonamiento dentro de los KG. Los resultados experimentales demuestran que CPSR logra un rendimiento de vanguardia.
Publicado originalmente en export.arxiv.org el 11 de enero de 2026.
Ver fuente original
