Los métodos de extracción de información han demostrado ser efectivos en la extracción de triples a partir de datos estructurados o no estructurados. La organización de dichos triples en la forma de (entidad cabeza, relación, entidad cola) se llama la construcción de Grafos de Conocimiento (KGs). La mayoría de los grafos de conocimiento actuales son incompletos. Para utilizar los KGs en tareas posteriores, es deseable predecir los enlaces faltantes en los KGs. Recientemente se han propuesto diferentes enfoques para el aprendizaje de representación de KGs mediante la incrustación de entidades y relaciones en un espacio vectorial de baja dimensión con el objetivo de predecir triples desconocidos basados en triples previamente visitados. Según cómo se traten los triples, de manera independiente o dependiente, dividimos la tarea de completación de grafos de conocimiento en aprendizaje de representación convencional y basado en redes neuronales de grafos, y los discutimos en más detalle. En los enfoques convencionales, cada triple se procesará de manera independiente y en los enfoques basados en GNN, los triples también consideran su vecindario local.