A medida que las formas de amenazas cibernéticas se vuelven cada vez más severas, los grafos de conocimiento de ciberseguridad (KGs) se han convertido en herramientas esenciales para comprender y mitigar estas amenazas. Sin embargo, la calidad del KG es crítica para su efectividad en las aplicaciones de ciberseguridad. En este documento, proponemos un método de evaluación de calidad basado en la ampliación de muestras negativas espurias para KGs de ciberseguridad (SNAQE) que incluye dos módulos clave: el módulo de detección de triples negativos espurios a múltiples escalas y el módulo basado en la atención de mezcla adaptativa. El módulo de detección de triples negativos espurios a múltiples escalas clasifica los triples negativos muestreados en triples negativos espurios y verdaderos. Posteriormente, el módulo de mezcla adaptativa basado en el mecanismo de atención selecciona objetivos de mezcla apropiados para cada triple negativo espurio, construyendo triples parcialmente correctos y logrando una generación de muestras más precisa en el espacio de incrustación de entidades para ayudar en el entrenamiento de los modelos de evaluación de calidad del KG. A través de una extensa validación experimental, el modelo SNAQE no solo se desempeña de manera excelente en la evaluación de calidad de KG de dominio general, sino que también logra resultados sobresalientes en los KG de ciberseguridad, mejorando significativamente la precisión y la puntuación F1 del modelo, con la mejor puntuación F1 de 0.969 lograda en el conjunto de datos FB15K.