arXiv 2026年5月14日作者提出 KGPFN，一个基于 Prior-Data Fitted Network 的知识图谱基础模型，通过关系图消息传递学习关系表示、从多层 NBFNet 中间头表示提取多尺度局部上下文，并利用查询关系的正负样例构建关系特定全局上下文，以特征级与样本级注意力聚合，经多图预训练后在无需推理时参数更新的情况下结合结构表示与带标签上下文证据，在 57 个知识图谱上无论是否微调均取得最佳平均 MRR，且上下文敏感性分析显示负上下文样例具有价值。作者提出 KGPFN，一个基于 Prior-Data Fitted Network 的知识图谱基础模型，通过关系图消息传递学习关系表示、从多层 NBFNet 中间头表示提取多尺度局部上下文，并利用查询关系的正负样例构建关系特定全局上下文，以特征级与样本级注意力聚合，经多图预训练后在无需推理时参数更新的情况下结合结构表示与带标签上下文证据，在 57 个知识图谱上无论是否微调均取得最佳平均 MRR，且上下文敏感性分析显示负上下文样例具有价值。KGPFN 用上下文学习让知识图谱基础模型在 57 个图谱上取得最佳平均 MRR作者提出 KGPFN，一个基于 Prior-Data Fitted Network 的知识图谱基础模型，通过关系图消息传递学习关系表示、从多层 NBFNet 中间头表示提取多尺度局部上下文，并利用查询关系的正负样例构建关系特定全局上下文，以特征级与样本级注意力聚合，经多图预训练后在无需推理时参数更新的情况下结合结构表示与带标签上下文证据，在 57 个知识图谱上无论是否微调均取得最佳平均 MRR，且上下文敏感性分析显示负上下文样例具有价值。作者提出 KGPFN，一个基于 Prior-Data Fitted Network 的知识图谱基础模型，通过关系图消息传递学习关系表示、从多层 NBFNet 中间头表示提取多尺度局部上下文，并利用查询关系的正负样例构建关系特定全局上下文，以特征级与样本级注意力聚合，经多图预训练后在无需推理时参数更新的情况下结合结构表示与带标签上下文证据，在 57 个知识图谱上无论是否微调均取得最佳平均 MRR，且上下文敏感性分析显示负上下文样例具有价值。