ACLMay, 2019

基于图匹配神经网络的跨语言知识图谱对齐

PDF
TL;DR该论文将主题实体图引入跨语言知识图谱对齐，通过图匹配和基于图注意力的模型来进行相似实体的匹配，实验证明该方法比现有的方法表现更好。
cross-lingual knowledge graphentity embeddingsgraph matchinggraph-attentionkb-alignment
发现论文，激发创造
  • 跨语言实体对齐与多方面信息

    本文研究使用基于嵌入的方法将不同语言的实体编码到同一向量空间中，并提出使用预训练的多语言 BERT 模型来融合各个语言中的实体描述，以寻找源语言和目标语言之间相应实体的方法。结果表明，该方法在两个基准数据集上明显优于现有系统。

    Oct, 2019

  • 基于子图网络的跨语言知识图谱实体对齐

    介绍将子图网络方法引入 GCN 模型用于跨语言知识图谱实体对齐任务，并在实验中证明该方法优于现有 GCN 方法。

    May, 2022

  • 多通道图神经网络用于实体对齐

    本文提出了一种新颖的多通道图神经网络模型（MuGNN），通过多通道鲁棒地编码两个知识图谱，以学习面向对齐的知识图谱嵌入。每个通道通过不同的关系加权方案对知识图谱进行编码，并通过汇聚技术进行进一步的合并。我们还推断并转移规则知识以便两个知识图谱一致完成。大量实验证明我们的方法可以更好地使用种子对齐，提高了 5％以上的平均 Hits@1 性能。

    Aug, 2019

  • 多视角知识图谱嵌入用于实体对齐

    本研究提出一种新颖的框架，通过利用实体的多个视角来学习实体嵌入，从而增强知识图谱之间的嵌入式实体对齐，并在真实数据集上验证实验证明，该框架显著优于现有的嵌入式实体对齐方法。

    Jun, 2019

  • 为跨语言实体对齐双向训练知识图谱嵌入和实体描述嵌入

    本文研究利用基于嵌入的方法，利用多语言知识图谱上实体的文字描述，通过共训两种嵌入模型，即一个多语言知识图谱嵌入模型和一个多语言文字描述嵌入模型，进行半监督学习。实验结果表明，该方法在实体对齐任务中的性能随共训迭代而提高，最终明显优于之前的方法。此外，该方法具有零样本实体对齐和跨语言知识图谱完成的良好能力。

    Jun, 2018

  • 利用图嵌入技术匹配不同知识图谱中的实体

    本文探讨了如何在不同的知识图谱之间匹配实体的问题，使用基于分类的方法和 RDF2Vec 图嵌入表示，同时提供用于研究该问题的数据集和实验结果作为未来工作的强基线。

    Mar, 2019

  • 跨语言知识图谱实体标签映射的统计和神经方法

    本研究探讨使用单词和句子对齐技术以及匹配算法来对来自特定多个语言的 Wikidata 实体标签进行对齐，并展示使用该技术能显着提高信息一致性的 F1 得分，尤其是使用句子嵌入技术的方法，这将可以用于机器翻译等领域。

    Jun, 2022

  • 时间感知图神经网络用于时态知识图之间的实体对齐

    本文研究子问题 - 在时间性知识图之间进行实体对齐，提出了一种基于图神经网络的时态感知实体对齐方法。实验证明，该方法在多个实际应用场景中明显优于现有技术。

    Mar, 2022

  • 异构知识图谱的关系感知实体对齐

    本文提出一种基于关系感知的双图卷积神经网络（RDGCN），以通过知识图谱和其双重关系相互作用来整合关系信息，并进一步捕获邻近结构以学习更好的实体表示，以获取更好且更有效的跨语言实体对齐结果。

    Aug, 2019

  • 双管齐下：将知识图谱和大型语言模型的知识融合用于实体对齐

    该研究提出了一种基于大型语言模型增强的实体对齐框架（LLMEA），将知识图谱的结构知识与大型语言模型的语义知识相结合，以提升实体对齐的效果。实验结果表明，LLMEA 优于其他基线模型，进一步剖析试验证实了我们提出框架的效能。

    Jan, 2024