摘要知识图(KGs)促进了各种各样的应用。尽管在创建和维护方面付出了巨大的努力，但即使是最大的kg也远远没有补全。因此，(KGC)已成为KG研究中最关键的任务之一。最近，该领域的大量文献都集中在使用消息传递(图)神经网络(MPNNs)来学习强大的嵌入。这些方法的成功自然归功于mpnn在更简单的多层感知器(MLP)模型上的使用，因为它们具有额外的消息传递(MP)组件。在这项工作中，我们发现令人惊讶的是，简单的MLP模型能够达到与mpnn相当的性能，这表明MP可能不像以前认为的那样重要。通过进一步的探索，我们发现仔细的评分函数和损失函数设计对KGC模型的性能有更大的影响。这表明在之前的工作中，得分函数设计、损失函数设计和MP的合并，对当今最先进的KGC方法的可扩展性有了有希望的见解，以及对未来KGC任务更合适的MP设计的仔细关注。1 Introduction知识图谱(KGs) (Bollacker et al, 2008;Carlson et al .， 2010)是一种知识库，它以三元组的形式存储多关系事实知识。每个三元组指定了头部和尾部实体之间的关系。KGs方便地捕获关于许多类型实体(例如对象、事件、概念)的丰富结构化知识，从而促进了许多应用，如信息检索(Xiong等人，2017a)、推荐系统(Wang等人，2019)和问答(West等人，2014)。为此，期望所采用的课程大纲尽可能全面，以提供各种所需的知识。然而，已知现有的大规模kg远未补全，三胞胎的大部分缺失(Bollacker等人，2008;Carlson et al,
)
