不确定性知识图谱推理库（unKR）是首个专注于处理不确定性知识图谱（UKG）的开源工具，通过表示学习技术实现高效推理。支持四元组（h,r,t,s）的置信度预测。
项目地址：https://github.com/seucoin/unKR
一、技术原理
unKR的核心在于将实体与关系嵌入至低维向量空间，同时保留不确定性信息。
1.不确定性建模
采用四元组表示（h, r, t, s），其中s∈(0,1)表示三元组的置信度，例如（Twitter, 竞争, Facebook, 0.85）表示两公司竞争关系的概率为85%。
支持两种模型类型：
普通模型（如PASSLEAF）：通过密集嵌入学习实体与关系的语义及结构信息。
小样本模型：针对关系长尾分布，采用度量学习框架，仅需少量参考事实即可完成推理。
2.推理机制
评分函数：不同模型设计不同的评分函数（如距离函数或相似度函数），评估三元组的真实性概率。例如，PASSLEAF模型通过计算嵌入向量的欧氏距离生成评分。
负采样与损失函数：通过负采样生成虚假三元组，结合对比损失或交叉熵优化模型参数，提升泛化能力。
3.大模型融合
设计提示模板并对开源大模型进行参数高效微调，使模型具备处理不确定性知识图谱的能力。实验表明，微调后的模型在特定数据集上达到SOTA效果。
二、技术框架
unKR采用模块化架构，基于PyTorch Lightning实现高效训练与评估，包含五大核心模块：
1.数据处理器（Data Processor）
解析UKG数据集，执行数据预处理（如统计实体/关系ID、生成负样本），并划分训练/验证/测试批次。小样本场景下提供FSUKGData等专门类，支持度量学习的数据特性。
2.模型库（Model Hub）
复现9种经典模型（如PASSLEAF、CP-UNKNOW等），每个模型封装为独立类，继承BaseModel基类，定义统一的评分函数和损失计算逻辑。
3.训练器（Trainer）
引导迭代训练流程，配置优化器与学习率调度器，支持早期停止和模型保存。例如，PASSLEAFLitModel类实现训练步骤的具体逻辑。
4.评估器（Evaluator）
标准化评估指标，通过置信度预测（评估三元组真实性概率）和链接预测（预测潜在尾实体）量化模型性能，确保不同模型间的公平比较。
5.控制器（Controller）
协调各模块工作流，支持自定义参数与流程扩展，例如调整负采样策略或选择不同优化器。
三、核心优势
1.开源与标准化
首个开源的UKG推理库，支持9种模型复现，兼容PyTorch等主流框架，解决了现有模型代码不公开、框架碎片化的问题。
构建统一测试基准（如CN15K、NL27K数据集），提供标准化评估流程，提升研究可信度。
2.模块化与灵活性
各模块可独立替换（如更换数据处理器或模型），支持用户定制开发新模型。例如，开发者可通过继承BaseModel快速实现自定义评分函数。
3.性能与扩展性
在多个数据集上实现SOTA性能，结合大模型微调后推理能力显著提升。例如，碑拓修复任务中，unKR的渐进式框架通过多模态校准实现视觉与文本的双重修复。
支持小样本学习，适用于数据稀疏场景，如医疗领域的罕见病诊断。
四、局限性
1.模型解释性不足
基于深度学习的模型难以解释推理过程，用户需额外工具辅助理解不确定性参数的决策逻辑。
2.计算资源需求
大模型微调与小样本学习依赖较高算力，处理超大规模图谱时需优化分布式训练策略。
3.小样本依赖
小样本模型的性能高度依赖数据生成质量和度量学习算法的有效性，极端稀疏场景下表现可能受限。
五、应用场景
1.文化遗产保护
在碑拓文本修复中，unKR通过不确定性推理补全缺损文字，结合多模态校准技术实现视觉一致性与文本完整性的双重修复。
2.金融风险评估
分析客户交易行为与信用记录中的不确定性，例如通过负采样生成虚假交易数据，训练模型预测违约概率，降低信贷损失。
3.自然语言处理
处理句子歧义（如“苹果”指水果或公司），通过置信度预测选择最可能的语义，提升实体识别与关系抽取的准确性。
4.智能推荐系统
结合用户行为数据的不确定性（如浏览时长、点击概率），优化推荐模型，提升个性化推荐的可靠性。
六、总结
unKR通过标准化框架、模块化设计和大模型融合，为不确定性知识图谱推理提供了高效解决方案。其在文化遗产、金融、医疗等领域的应用验证了技术价值，但模型解释性与计算资源问题仍需进一步优化。未来，结合更高效的概率逻辑模型与轻量化大模型，unKR有望在更多高不确定性场景中发挥关键作用。
