多通道图神经网络用于实体对齐

ACLAug, 2019

Multi-Channel Graph Neural Network for Entity Alignment

Yixin Cao, Zhiyuan Liu, Chengjiang Li, Zhiyuan Liu, Juanzi Li...

TL;DR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。

Abstract

entity alignment typically suffers from the issues of structural heterogeneity and limited seed alignments. In this paper, we propose a novel Multi-channel Graph Neural Network model (MuGNN) to learn alignment-or

entity alignment knowledge graph embeddings graph neural networks rule knowledge transfer seed alignments

发现论文，激发创造

基于图匹配神经网络的跨语言知识图谱对齐

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

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

带门控多跳邻居聚合的知识图谱对齐网络

本研究提出了一种名为 AliNet 的知识图谱对齐网络，通过引入远程邻居扩展对应实体的邻域，并采用注意力机制和门控机制，控制了直接邻居和远端邻居信息的整合，进而通过关系损失优化实体表示。在五个实体对齐数据集上的实验证明了 AliNet 的有效性。

Nov, 2019

时间感知图神经网络用于时态知识图之间的实体对齐