Los gráficos de conocimiento (KGs) sirven como un recurso crucial para numerosas tareas de inteligencia artificial, contribuyendo significativamente al avance del campo de la IA. Sin embargo, la incompletitud de los KGs existentes obstaculiza su efectividad en aplicaciones prácticas. En consecuencia, los investigadores han propuesto la tarea de completar KGs. Actualmente, las técnicas basadas en incrustaciones dominan el campo, ya que aprovechan la información estructural dentro de los KGs para inferir y completar partes faltantes. No obstante, estos métodos presentan limitaciones. Están limitados por la calidad y cantidad de información estructural y no pueden manejar las entidades faltantes en el KG original. Para superar estos desafíos, los investigadores han intentado integrar modelos de lenguaje preentrenados y datos textuales para realizar la completación de KGs. Este enfoque utiliza las declaraciones de definición y el texto descriptivo de las entidades dentro de los KGs. El objetivo es compensar las conexiones latentes que son difíciles de obtener para los métodos tradicionales. Sin embargo, los métodos basados en texto aún están rezagados en comparación con los modelos basados en incrustaciones en términos de rendimiento. Nuestro análisis revela que el problema crítico radica en el proceso de selección de muestras negativas. Para mejorar el rendimiento de los métodos basados en texto, se emplean varios tipos de métodos de muestreo negativo en este estudio. Introdujimos el aprendizaje por indicaciones para llenar el vacío entre el modelo de lenguaje preentrenado y la tarea de completación de gráficos de conocimiento, y para mejorar el nivel de razonamiento del modelo. Al mismo tiempo, se propone una estrategia de clasificación basada en la información estructural del KG para utilizar datos estructurados del KG que ayuden al razonamiento. Los resultados del experimento demuestran que nuestro modelo exhibe una fuerte competitividad y una velocidad de inferencia sobresaliente. Al explotar completamente la información estructural interna de los KGs y los recursos textuales descriptivos relevantes externos, logramos elevar con éxito los niveles de rendimiento de las tareas de completación de KGs en diversas métricas.