Jul, 2021

EchoEA: 实体对齐中的实体和关系之间的回声信息

PDF
TL;DR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。
entity alignmentgraph neural networksemi-supervisionself-attention mechanismbootstrapping
发现论文，激发创造
  • 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

  • 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

  • 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

  • ActiveEA: 神经实体对齐的主动学习

    本文提出了一种新的基于主动学习的神经实体对齐框架，通过结合结构感知不确定性抽样策略和单例识别器，以便更有效地建立 Seed Alignment，从而减少成本，并具有较好的泛化性。

    Oct, 2021

  • 探索和评估实体对齐的属性、值和结构

    本文利用属性值编码器将知识图谱分为子图，以有效地建模各种类型的属性三元组，提出一种能够显著提高在跨语言和单语数据集下各项指标的 Entity Alignment 方法，并在不同子图上进行深入的消融研究和实证案例探究.

    Oct, 2020

  • SEA: 一个可扩展的实体对齐系统

    SEA 是一种可伸缩的实体对齐系统，借助于图神经网络作为编码器，在实际应用中进行大规模的实体对齐，其包含六个最新的实体对齐模型，能够加速归一化和评估过程。

    Apr, 2023

  • 尾部实体的度感知对齐

    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

  • 异构知识图谱上基于 GNN 的实体对齐：新数据集和新方法的反思

    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

  • 知识图谱实体对齐：进展、挑战和实证研究

    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

  • 从对齐到蕴涵：面向实体对齐的统一文本蕴涵框架

    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