Peneliti mengusulkan DMKGC, sebuah kerangka kerja yang menerapkan model difusi kondisional untuk mentransfer pengetahuan antar berbagai domain bagi penyelesaian grafik pengetahuan. Metode ini memperlakukan setiap grafik pengetahuan sebagai pandangan parsial dari informasi entitas, menghasilkan embedding umum domain yang dikondisikan pada grafik pendukung sambil mempertahankan detail spesifik domain.
- Menginisialisasi embedding entisi agnostik-domain sebagai prior dan mengkodekannya dalam KG individu.
- Menggabungkan entitas setara dari KG pendukung untuk memandu generasi difusi kondisional.
- Menggunakan embedding prior sebagai tujuan proksi untuk memastikan generasi tanpa bias di seluruh domain.
- Mencapai peningkatan MRR rata-rata sebesar 4,3% dalam prediksi entitas ekor pada 14 KG di 3 benchmark dibandingkan metode state-of-the-art.
Pendekatan ini mengatasi risiko penekanan informasi kontekstual spesifik-domain yang melekat pada metode terkendali konsistensi, menunjukkan peningkatan berkelanjutan terutama dalam pengaturan data sumber daya rendah.