La base de conocimiento (KB) es un aspecto importante en la inteligencia artificial. Un desafío significativo que enfrenta la construcción de KB es que contiene muchos ruidos, lo que impide su uso efectivo. A pesar de que se han propuesto algunos algoritmos de limpieza de KB, estos se centran en la estructura del grafo de conocimiento y descuidan la relación entre los conceptos, lo que podría ser útil para descubrir relaciones incorrectas en la KB. Motivados por esto, medimos la relación de dos conceptos mediante la distancia entre sus instancias correspondientes y detectamos errores dentro de la intersección de los conjuntos de conceptos en conflicto. Para una limpieza de base de conocimiento eficiente y efectiva, primero aplicamos un modelo basado en la distancia para determinar los conjuntos de conceptos en conflicto utilizando dos métodos diferentes. Luego, proponemos y analizamos varios algoritmos sobre cómo detectar y reparar los errores basados en nuestro modelo, donde utilizamos un método hash para calcular la distancia de manera eficiente. Los resultados experimentales demuestran que los enfoques propuestos podrían limpiar las bases de conocimiento de manera eficiente y efectiva.