了解无匹配:带有悬空情况的实体对齐
我们提出了一种新颖的基于 GNN 的悬挂实体检测和实体对齐框架,用于解决源图或目标图中存在没有对应实体的问题,特征包括设计的实体和关系注意机制以进行选择性邻域聚合以及正负样本学习损失以对悬挂实体进行无偏估计。实验证明,我们的设计的每个组件都对整体对齐性能有贡献,在 30% 的悬挂实体额外标记为训练数据的情况下,与基准方法相比,性能相当或更好。
Mar, 2024
本文研究了知识图谱中的悬挂实体对齐问题, 提出了一种使用混合高阶接近度检测悬挂实体并对可匹配实体进行对齐的框架, 实验证明该框架可以更准确地检测悬挂实体并解决对齐中的 hubness 问题。
May, 2022
本文提出了一种新的实体对齐框架,使用基于图结构的弱优化的图对比学习算法和 PageRank 算法,结合两个学习目标:对比学习和最优传输学习,以利用实体之间的结构相似性来解决具有悬挂实体的实体对齐问题。实验结果表明这种方法在处理传统(宽松)和悬挂(聚合)实体对齐情况时,比当前最先进的基于纯结构信息的方法具有更好的性能。
Apr, 2023
本文旨在通过自监督学习方法,利用知识图谱之间的对应关系,解决构建大规模知识图谱所必需的实体对齐问题,实验结果表明本文提出的 SelfKG 方法在无监督学习领域已经可以达到或超过有监督学习领域的最新方法的水平。
Jun, 2021
本文介绍了一种基于相邻性信息的连续实体对齐方法,以实现对知识图谱中不断增长的实体进行快速嵌入表示,并通过回放部分预对齐实体对来更新旧对齐方式以找到新的实体对齐,并验证实验证明,与迭代学习和重新训练的传统实体对齐方式相比,本方法更加高效。
Jul, 2022
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
本文提出了一种新的精确的无监督方法,即 UED,用于联合实体对齐和悬挂实体检测,在医学跨语言知识图谱数据集 MedED 中通过全局指导对齐信息和文本语义信息来生成虚拟实体对,利用实体对齐结果辅助悬挂实体检测,无需 supervision,取得了非常好的实验结果。
Mar, 2022
本文介绍了利用自监督学习方法进行实体对齐,通过得到 unlabeled negative pairs(无标签负样本),实现将匹配的 entity pairs(实体对)拉远的方法,实验表明这种方法的性能可以跟最好的有监督方法媲美甚至更好。
Mar, 2022
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