ACLMay, 2020

邻域匹配网络用于实体对齐

PDF
TL;DR本文介绍了一种名为 Neighborhood Matching Network 的实体对齐框架，利用图采样和交叉图邻域匹配模块来建立实体对齐方面的表示。该方法可以有效地估计更复杂的邻域相似度，并在三个实体对齐数据集上显著优于 12 种现有的最先进方法。
entity alignmentknowledge graphsneighborhood matching networkgraph samplingcross-graph neighborhood matching module
发现论文，激发创造
  • 面向实体对齐的关系感知邻域匹配模型

    本文提出了一种新的关系感知邻域匹配模型 (RNM)，通过匹配邻域和探索有用的信息来增强实体对齐，并利用半监督方法设计了一个迭代框架来利用实体对齐和关系对齐之间的正面互动，实验结果表明，RNM 模型的性能优于现有的最先进方法。

    Dec, 2020

  • 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

  • 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

  • 多层图匹配网络用于深度图相似度学习

    本研究提出了一种多层图匹配网络框架，其中包含节点 - 图匹配网络和连体图神经网络，可在纵横交错的多层交互中精确地计算图状对象之间的相似度，并证明其在图分类和回归任务中的有效性及稳健性。

    Jul, 2020

  • 用于学习图结构对象相似性的图匹配网络

    本文提出了两个关键性贡献：首先是演示了图神经网络如何训练并嵌入向量空间，以便有效地进行相似性推理；其次是提出了一种新的图匹配网络模型，通过新的跨图注意力匹配机制，在一对图之间共同推理，计算它们之间的相似度得分。在不同领域的实验分析表明，本文提出的模型不仅能够在相似性学习的上下文中利用结构，而且能够优于针对此类问题精心设计的基线系统。

    Apr, 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

  • NM-Net: 挖掘可靠邻居以获取强健的特征对应

    该研究提出了一种兼容性特定的挖掘方法来搜索一致的邻居，在提取并聚合更可靠的特征方面，使用了一种具有层次结构的神经网络 NM-Net。

    Mar, 2019

  • 异构知识图谱上基于 GNN 的实体对齐：新数据集和新方法的反思

    本论文通过构建与真实场景相似的高度异质化知识图谱 (HHKG)，并对现有的图神经网络 (GNNs) 实体对齐方法进行实验，发现 GNNs 不能充分利用 HKKG 的结构信息，导致性能不佳。最后，介绍一种简单有效的方法 (Simple-HHEA)，实验结果表明该方法在 HHKG 数据集上的表现优于之前的模型。

    Apr, 2023

  • 协同信号：通过图神经网络利用协同参与和语义链接

    基于语义的图神经网络（SemanticGNN）是在大规模知识图谱中建模实体、语义概念、协作边和语义边，并对其进行表示学习的一种新颖的图模型，通过融合协同活动数据和丰富的语义信息提供更准确的实体相似度计算。实证实验证明所提出的模型在相似度判断任务上的性能提升达到 35%。

    Dec, 2023