AAAIJan, 2020

跨语言知识图谱对齐的协同推理

PDF
TL;DR本文提出了两种协调推理方法，即 Easy-to-Hard 解码策略和共同实体对齐算法，以解决实体对齐过程中的 “一对多” 问题，并通过扩展当前基线的对齐模型来实现。实验结果表明，该模型达到了最先进的性能水平，提出的推理方法也可以显著改进现有的基线。
entity alignmentknowledge graphdecoding strategycoordinated reasoningstate-of-the-art baseline
发现论文，激发创造
  • 无监督深度跨语言实体对齐

    提出了一种简单且新颖的无监督方法，利用深度学习多语言编码器结合机器翻译器对知识图谱文本进行编码，同时考虑全局与局部对齐策略，并生成排名匹配结果。在跨语言实体对齐任务上，我们的方法在 DBP15K 数据集中的中文、日文和法文到英文对齐任务中得到了较高的准确率，超过了无监督和半监督类别的最新方法。与最新的有监督方法相比，在日文到英文和法文到英文对齐任务中，我们的方法分别提高了 2.6% 和 0.4%，在中文到英文对齐任务中略微降低了 0.2%。

    Sep, 2023

  • 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

  • 联合学习实体和关系表示用于实体对齐

    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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 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