Mar, 2021

RAGA: 基于关系感知的图注意力网络用于全局实体对齐

PDF
TL;DR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。
entity alignmentknowledge graphsrelationsgraph attention networksglobal alignment
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

  • EchoEA: 实体对齐中的实体和关系之间的回声信息

    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

  • 通过图增强改进知识图谱实体对齐

    本篇论文提出了一种基于图增强的新颖实体对齐方法 GAEA，结合实体 - 关系编码器和图扩充的方法来消除 KG 的结构异质性，进一步提高模型的对齐效果。

    Apr, 2023

  • 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

  • 基于强化学习和自适应特征的实体对齐

    本文提出一个基于增强学习的模型用于收集实体对齐数据，并通过一些限制和特征融合策略来提高模型性能，最后在跨语言和单语言的数据集上经过实证分析证实其有效性和优越性。

    Jan, 2021

  • 一种简单的时间信息匹配机制，用于时态知识图之间的实体对齐

    本研究提出了一种使用图神经网络和时间信息匹配机制的方法，用于在时间知识图中实现实体对齐，并且提出了自动生成无监督对齐种子的方法，经过实验证明，该方法在性能和效率方面优于以往方法。

    Sep, 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

  • 基于三元关注的类型增强集成三元表示用于跨语言实体对齐

    本文提出了一种名为 TTEA 的新框架，通过考虑集成三元组的特异性和实体角色特征来克服现有方法中对三元组不可分割性和实体角色多样性的关注不足，利用三元组感知注意力导出集成三元组表示，并使用三元组增强实体来建模三元组元素的角色多样性，在三个现实世界的跨语言数据集上展开的大量实验表明，本框架优于现有最先进的方法。

    May, 2023

  • 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