循环跳过网络用于实体对齐
本文提出了一种基于循环跳跃网络的知识图谱嵌入方法,能够高效地捕获实体之间长期关系,特别适用于跨知识图谱嵌入和实体对齐等任务,在实验中达到当前最优水平。
May, 2019
本篇论文提出了一种基于 Echo 实体对齐的新框架,该框架利用 4 级自注意机制将实体信息传播到关系中并回传到实体,同时提出了属性组合双向全局过滤策略以改进引导和生成高质量训练数据,实验结果表明,此方法在三个现实跨语言数据集上的表现稳定在平均 hits@1 上达到 96%,不仅显著优于现有 GNN-based 方法,还是现有 EA 方法的通用和可转移的。
Jul, 2021
该论文提出了一种新颖的基于关系感知图注意力网络的框架,旨在捕捉实体和关系之间的交互,并通过全局对齐算法生成一个细粒度相似性矩阵,以实现多个知识图之间的实体对齐任务,实验结果表明,该框架的性能超过了现有的最先进方法。
Mar, 2021
本论文通过构建与真实场景相似的高度异质化知识图谱 (HHKG),并对现有的图神经网络 (GNNs) 实体对齐方法进行实验,发现 GNNs 不能充分利用 HKKG 的结构信息,导致性能不佳。最后,介绍一种简单有效的方法 (Simple-HHEA),实验结果表明该方法在 HHKG 数据集上的表现优于之前的模型。
Apr, 2023
该研究提出了一种新的实体对齐方法,包含三个新组件:简化的图编码器,对称的无负样本对齐损失和增量式半监督学习。实验证明该方法不仅在性能上超越了现有技术,而且具有出色的可扩展性和鲁棒性。
Aug, 2021
本研究提出了一种使用图神经网络和时间信息匹配机制的方法,用于在时间知识图中实现实体对齐,并且提出了自动生成无监督对齐种子的方法,经过实验证明,该方法在性能和效率方面优于以往方法。
Sep, 2022
本文从生成模型的角度研究了基于嵌入的实体对齐(EEA),理论上证明了生成对抗网络(GAN)方法的有效性,并提出了基于互相变分自编码器(M-VAE)的生成 EEA(GEEA)框架,可以在实体对齐和实体合成任务中产生新实体。
May, 2023
SEA 是一种可伸缩的实体对齐系统,借助于图神经网络作为编码器,在实际应用中进行大规模的实体对齐,其包含六个最新的实体对齐模型,能够加速归一化和评估过程。
Apr, 2023
ClusterEA 是一个通用的框架,利用小批量的高等价率实体,采用规范化方法扩大了实体对齐模型,以解决现有 embedding-based 方法中出现的几何问题,并融入在稀疏矩阵融合的基础上为实体对齐提出了新的 ClusterSampler 策略,该方案能够比现有最先进的可扩展性 EA 框架提高 8 倍的 Hits@1。
May, 2022