AAAIDec, 2020

面向实体对齐的关系感知邻域匹配模型

PDF
TL;DR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。
entity alignmentknowledge graphsneighborhood matchingrelation alignmentrnm
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

  • 邻域匹配网络用于实体对齐

    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。

    May, 2020

  • 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

  • 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

  • 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

  • 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

  • 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

  • 实体对齐的知识图谱嵌入方法：实验评述

    本文通过进行第一次统计学分析，对知识图谱中利用嵌入方法进行的实体对齐的流行方法进行了评估，并根据其在不同性能度量和知识图谱特征方面的有效性将其排名。

    Mar, 2022

  • 了解无匹配：带有悬空情况的实体对齐

    本文研究了知识图谱实体对齐的新问题设置，提出了一种多任务学习框架，通过检测悬空实体并采取相应技术，可以提高实体对齐的效率和准确性。

    Jun, 2021

  • 基于边缘增强图对齐网络与词对关系标记的联合多模态实体关系抽取

    本研究提出一种新的联合多模态实体关系抽取任务方法，结合了多模态命名实体识别和多模态关系提取的相互作用，使用增强边缘对齐的图形对齐网络和词对关系标记来增强该任务，它能够发现实体 - 实体关系和对象 - 对象关系之间的关联性。

    Nov, 2022