每个序列由符号0、1、+、=并通过未知操作生成，且对应一个标示其是否正确的标签，即正positive或者negative。我们需要从此类方程的训练集学习，然后预测未知方程的标签。需要额外注意的是，控制标签分配的操作规则是未知的，方程的大小亦可不同。如果不一致，将通过逻辑反绎生成最小化不一致的假设修订。例如，假设非C已经被修正为C，将其进一步生成反绎标签。如果少量的标记数据可用，它们不仅可以用于训练

相比之下，我们利用LLM的组织能力将收集到的分散的文本事实转化为连贯的上下文事实，并使用连贯的上下文事实来指导模型推断缺失的事实。介绍了这三种知识图谱完成模型的分类方法。对于包含 isA 关系三元组的知识图谱，可以利用 isA 关系的潜在语义信息来学习知识嵌入，可以缓解图稀疏性导致的学习不足问题，而无需增加额外的训练样本。知识图谱嵌入方法两类：基于结构的方法(TransE,RotatE,TuckE

GraIL的核心要点就是提出了用子图去建模，以及inductive推理，并通过注意力机制，将不同的边区分开。它的缺点也比较明显，就是效率比较低且可解释性不够。

论文翻译预训练模型被证明可以从文本中获得真实的知识，这促使着基于PLM的知识图谱补全（Knowledge graph completion, KGC）模型的提出，然而这些模型在性能上远远落后于KGC任务的SOTA。<封闭世界假设 (Closed-world assumption, CWA)认为， 在给定的知识图谱中没有出现的三元组是错误的。我们可以很容易在 CWA 下评估没有标注的模型的性能。然而

知识图谱推理 （KG） 在知识图谱完成或问答系统中起着举足轻重的作用，提供更丰富、更准确的三元组和属性。随着数字属性在描述 KG 中的实体和关系中变得越来越重要，对这些属性进行推理的能力变得越来越重要。现有的基于图的方法，如图神经网络 （GNN） 和知识图嵌入 （KGE），主要侧重于聚合同构局部邻域和隐式嵌入不同的三元组。然而，这些方法往往无法充分利用图中逻辑路径的潜力，从而限制了它们在利用推理过