探索和评估实体对齐的属性、值和结构
该论文介绍了发现不同知识图谱中相同实体的通用技术,使用嵌入式技术具有符号异构性的问题,在构建数据集时发现了两个主要不足之处:关系三元组中的同构图结构和属性三元组中的弱异质性,因此提出了一种基于时间感知的文字编码算法进行实体对齐。
Nov, 2022
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
本篇论文提出了一种基于 Echo 实体对齐的新框架,该框架利用 4 级自注意机制将实体信息传播到关系中并回传到实体,同时提出了属性组合双向全局过滤策略以改进引导和生成高质量训练数据,实验结果表明,此方法在三个现实跨语言数据集上的表现稳定在平均 hits@1 上达到 96%,不仅显著优于现有 GNN-based 方法,还是现有 EA 方法的通用和可转移的。
Jul, 2021
该研究提出了一种新的实体对齐方法,将实体的三元组转化为文本序列,并以双向文本蕴含任务的形式对齐两个知识图谱中的实体,该方法利用预训练语言模型,能够更好地捕捉实体之间的联系,并在五个跨语言实体对齐数据集上表现优异。
May, 2023
本文对不同的实体对齐方法进行了全面分析,其中主要以基于知识图谱的低维嵌入算法为主,同时提出了四个研究问题并对应用场景和局限性进行了讨论,根据工业数据集中的难点以 extit {Hubness, Degree distribution, Non-isomorphic neighbourhood,} 和 extit {Name bias} 等四个方面进行了实证分析,提出了一个低名称偏倚数据集,并创建了一个开源库,包括 14 种嵌入式实体对齐方法用于进一步研究。
May, 2022
通过使用实体名称信息和度量作为重要的指导信息,提出了 degree-aware co-attention 网络来识别结构和名称信号的新型互补框架,以有效地融合两种不同的信息源,然后使用有信心的 EA 结果作为锚点通过迭代训练来补充原始 KG 的事实。
May, 2020
本文引入一种新型的通用实体对齐框架,该框架基于本体对与通过 triple-aware attention 实现的角色增强机制,而无需引入外部资源,实现了从不同知识图谱中发现等价对象的基本任务,该框架在三个真实数据集上的实验结果表明,与基线方法相比,具有竞争性能。
May, 2023
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