unKR是东南大学研发的不确定知识图谱推理工具。其实质是一个开源Python库，设计了一个统一的框架来实现两种类型的UKG推理表示学习模型，即普通模型和小样本模型。
unKR提供了一套统一的工作流程与五个独立模块，旨在促进模型复现、定制与性能评估的标准化。通过在三大基准数据集上实施统一的评估框架，希望推动UKG推理模型可靠比较，并为UKG推理研究与应用提供坚实的基础。
unKR的主要贡献如下：
• 开创性开源贡献：unKR是首个针对UKG推理的开源表示学习库，其核心优势在于其模块化架构设计。这种设计不仅极大地促进了不同UKG推理模型的快速复现，还为用户提供了高度的自定义功能，使得研究人员和开发者能够灵活地调整与优化模型，以适应特定的应用场景或研究需求。
• 广泛模型集成与独立实现：在unKR的统一框架内，成功复现了9种广受认可的UKG表示学习模型，展现了其突出的兼容性和扩展性。尤为值得一提的是，其中5个模型是从零开始独立实现的，这一成果为领域内其他研究者提供了可靠代码实现，有助于减少重复劳动，加速研究进程。我们设计用于置信度预测与链接预测的提示并在LLaMA-2-7B上做了参数高效微调。我们发现微调后的大模型具备在UKG上执行推理的能力，在特定数据集上能够获得最先进的效果。
• 标准化测试基准：为了促进不确定性知识图谱推理的发展，unKR对UKG推理的测试数据集和评估指标进行了全面的标准化处理。这一举措确保了不同模型之间的公平比较，为评估模型性能提供了统一的标尺。同时，unKR在一致的测试设置下，详细报告了所有复现模型的性能结果，这种高度的透明性和可重复性对于增强研究结论的可信度、推动领域知识的积累具有重要意义。
如使用该工具，请引用如下论文：
[1] Jingting Wang, Tianxing Wu, Shilin Chen, Yunchang Liu, Shutong Zhu, Wei Li, Jingyi Xu, Guilin Qi. unKR: A Python Library for Uncertain Knowledge Graph Reasoning by Representation Learning. In: Proc. of the 47th International ACM SIGIR Conference on Research and Development in Information Retrieval (SIGIR), 2024: 2822-2826.