Jan, 2022

交互式对比学习用于自监督实体对齐

PDF
TL;DR本篇论文提出了交互式对比学习模型，不仅编码了实体的结构和语义信息（包括实体名称、实体描述和实体邻域），还通过构建伪对齐实体对进行跨知识图谱的对比学习，展示出该模型有效性较高，并在实验中超越了之前最佳的自监督结果（平均提高了 9％以上），且性能与之前的 SOTA 监督方法相当。
发现论文，激发创造
  • 一个实体对齐的自监督方法

    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

  • 面向依赖关系的实体对齐自训练

    研究通过利用实体之间的依赖关系来改进自训练策略，从而实现在不需要大量标注映射的情况下，准确和有效地检测来自不同知识图谱的实体对齐。强调提高自我训练方法的正确率，同时建议在智能数据注释方面开展后续研究。

    Nov, 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

  • SelfKG: 知识图谱中自我监督实体对齐

    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

  • 面向开放世界的实体对齐：一种无监督方法

    本文提出了一种无监督框架，用于在开放世界中进行实体对齐。该框架挖掘了知识图谱的旁路信息，过滤掉无法匹配的实体，通过渐进式学习框架不断改进结构嵌入，从而提升对齐质量，同时不需要标记数据。

    Jan, 2021

  • 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

  • 从对齐到分配：令人沮丧地简单的无监督实体对齐

    通过将跨语言实体对齐问题转化为分配问题，我们提出了一种无需神经网络的令人沮丧的简单但有效的无监督实体对齐方法 (SEU)，在所有公共数据集上甚至击败了先进的监督方法，并具有高效性、可解释性和稳定性。

    Sep, 2021

  • 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

  • 面向时间知识图谱的无监督实体对齐

    本文介绍了一种名为 DualMatch 的方法，这种方法在实体对齐中有效地融合了关系和时间信息，并将其转化为一种基于加权图匹配的解码器。DualMatch 具有无监督方法和能够有效捕获时间信息等优点，能够在有监督和无监督的情况下执行。实验结果表明，Dual Match 在三个真实世界的时间知识图数据集上表现优于现有的方法。

    Feb, 2023

  • MixTEA: 混合教学的半监督实体对齐

    在这篇论文中，我们提出了一种名为 MixTEA 的新型半监督实体对齐方法，通过混合使用手动标记映射和概率伪映射来指导模型学习。我们采用了双向投票策略来估计伪映射的不确定性，并设计了一种基于匹配多样性的校正模块来调整伪映射学习，从而减少错误映射的负面影响。通过对基准数据集的广泛实验和进一步分析，我们证明了我们提出的方法的优越性和有效性。

    Nov, 2023