Aug, 2021

LargeEA: 大规模知识图谱中的实体对齐

PDF
TL;DRLargeEA 通过结构和名称通道相结合的方法实现了大规模知识图谱实体对齐。其中，METIS-CPS 和 NFF 分别用于结构和名称通道。同时，LargeEA 还利用基于名称的数据增强来生成种子对齐结果。实验结果表明，LargeEA 的性能在大规模实体对齐任务中优于当前最先进的方法
发现论文，激发创造
  • 自适应特征下的集体实体对齐

    本研究提出了一种基于收集性框架和稳定匹配算法来解决知识图谱中实体对齐问题的方法，并通过对比实验结果证明了其有效性和卓越性。

    Dec, 2019

  • ClusterEA：基于随机训练和归一化小批量相似度的可扩展实体对齐

    ClusterEA 是一个通用的框架，利用小批量的高等价率实体，采用规范化方法扩大了实体对齐模型，以解决现有 embedding-based 方法中出现的几何问题，并融入在稀疏矩阵融合的基础上为实体对齐提出了新的 ClusterSampler 策略，该方案能够比现有最先进的可扩展性 EA 框架提高 8 倍的 Hits@1。

    May, 2022

  • 利用大型语言模型实现实体对齐的能力解锁

    ChatEA 是一个创新的框架，将大型语言模型（LLMs）结合到实体对齐（EA）中，通过 KG-code 翻译模块和对话式的多步推理策略提高准确性和效率。实验证实了 ChatEA 在 EA 任务中的卓越性能，突出了 LLMs 在促进 EA 任务中的潜力。

    Feb, 2024

  • 大规模实体对齐的高质量任务分配

    本研究提出了一种名为 DivEA 的框架，该框架利用对效应对发现方法和证据传递机制，将大规模实体对齐任务分成多个子任务，以提高准确性和效率。

    Aug, 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

  • 使用大型语言模型的有噪注释实体对齐

    通过设计一种新颖的主动学习策略以及引入无监督标签优化方法，我们提出了一个统一的框架 LLM4EA，以有效地利用大型语言模型自动化实体对齐，并在四个基准数据集上进行了广泛实验，证明了其在效果、鲁棒性和效率方面的优势。

    May, 2024

  • 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

  • 知识图谱合并、分割和嵌入实现大规模实体对齐

    本文提出了一种可扩展的基于 GNN 的实体对齐方法，通过三个视角减少子图嵌入中的结构和对齐损失，并在实验中证实了该方法的有效性。

    Aug, 2022

  • 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

  • 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