OntoEA: 基于本体引导的实体对齐方法,通过知识图谱联合嵌入
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
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
本文提出了一种使用逻辑推理和多模态知识图谱嵌入的新型多模态实体对齐方法 LODEME,它能准确地利用多模态信息,实现对常见多模态知识图谱中图像特征的提取和利用。Lodeme 在包含图像的八个大规模知识图谱对比数据集上实现了最先进的表现。
Feb, 2023
本文介绍了实体对齐的新方法 ——embedding-based. 通过调查 23 种不同的 entity alignment 方法,我们提出了一种新的 KG 采样算法,并生成了不同的异质性和分布的基准数据集来进行评估。通过开源库测试了其中 12 种代表性的 entity alignment 方法,讨论了它们的优点和局限性。同时,我们进行了探索性实验,并报告了未来研究的初步结果。
Mar, 2020
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
本研究提出一种新颖的框架,通过利用实体的多个视角来学习实体嵌入,从而增强知识图谱之间的嵌入式实体对齐,并在真实数据集上验证实验证明,该框架显著优于现有的嵌入式实体对齐方法。
Jun, 2019
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