EMNLPSep, 2019

联合学习实体和关系表示用于实体对齐

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 关系知识蒸馏下联合学习知识嵌入和邻域一致性以实现实体对齐

    本文提出了一种基于图卷积神经网络和知识蒸馏的实体对齐模型以解决关系语义信息利用不充分的问题，并通过实验验证了其有效性。

    Jan, 2022

  • 多语言知识图谱补全的关系和实体对齐

    ALIGNKGC 是一种用于训练多语言知识图谱（Knowledge Graph）完成、实体对齐和关系对齐模型的方法，旨在优化三种损失。使用 DBPedia 数据集进行实验，并与单一 KGC 模型、不使用对齐的 KGC 模型进行比较，结果表明 ALIGNKGC 在这三种任务上的表现均得到了改善。

    Apr, 2021

  • 知识图谱合并、分割和嵌入实现大规模实体对齐

    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

  • 关系反射实体对齐

    本论文提出了一种统一的框架，Shape-Builder & Alignment，用于解释实体对齐问题中存在的多种现象，并针对这些现象提出了两个理想的转换操作标准。此外，论文还提出了一种更为高效的 GNNs-Based 方法，Relational Reflection Entity Alignment，其利用关系反射变换为每个实体获取关系特定的嵌入，实验结果表明，该方法在真实世界的数据集上显著优于最先进的方法，Hits@1 超过了 5.8%-10.9%。

    Aug, 2020

  • 知识图谱完善的文本和知识联合表示学习

    提出一种新的框架，将词汇、实体和关系嵌入到同一连续向量空间中，通过对知识图谱和纯文本的联合学习，可以更准确地完成知识图谱补全，实现实体预测、关系预测和关系分类等任务，并且相比其他基线模型，在三项任务上均可以显著且持续地提高性能。

    Nov, 2016

  • 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

  • RAGA: 基于关系感知的图注意力网络用于全局实体对齐

    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

  • 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

  • 面对变化：不断迭代的实体对齐技术应用于知识图谱

    本文介绍了一种基于相邻性信息的连续实体对齐方法，以实现对知识图谱中不断增长的实体进行快速嵌入表示，并通过回放部分预对齐实体对来更新旧对齐方式以找到新的实体对齐，并验证实验证明，与迭代学习和重新训练的传统实体对齐方式相比，本方法更加高效。

    Jul, 2022