本文通过进行第一次统计学分析,对知识图谱中利用嵌入方法进行的实体对齐的流行方法进行了评估,并根据其在不同性能度量和知识图谱特征方面的有效性将其排名。
Mar, 2022
本文介绍了实体对齐的新方法 ——embedding-based. 通过调查 23 种不同的 entity alignment 方法,我们提出了一种新的 KG 采样算法,并生成了不同的异质性和分布的基准数据集来进行评估。通过开源库测试了其中 12 种代表性的 entity alignment 方法,讨论了它们的优点和局限性。同时,我们进行了探索性实验,并报告了未来研究的初步结果。
Mar, 2020
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。
May, 2019
本文提出了一种可扩展的基于 GNN 的实体对齐方法,通过三个视角减少子图嵌入中的结构和对齐损失,并在实验中证实了该方法的有效性。
Aug, 2022
本文提出了一种使用图卷积神经网络(GCN)学习实体和关系表示的新颖联合学习框架,以改善实体对齐,并证明利用有用的关系表示来协助实体对齐是一种简单而有效的方法。通过在三个真实的跨语言数据集上进行的实验表明,我们的方法显著优于现有的实体对齐方法。
Sep, 2019
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
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
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
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
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。