关系知识蒸馏下联合学习知识嵌入和邻域一致性以实现实体对齐
本文提出一种基于关系感知的双图卷积神经网络(RDGCN),以通过知识图谱和其双重关系相互作用来整合关系信息,并进一步捕获邻近结构以学习更好的实体表示,以获取更好且更有效的跨语言实体对齐结果。
Aug, 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
本论文提出了一种统一的框架,Shape-Builder & Alignment,用于解释实体对齐问题中存在的多种现象,并针对这些现象提出了两个理想的转换操作标准。此外,论文还提出了一种更为高效的 GNNs-Based 方法,Relational Reflection Entity Alignment,其利用关系反射变换为每个实体获取关系特定的嵌入,实验结果表明,该方法在真实世界的数据集上显著优于最先进的方法,Hits@1 超过了 5.8%-10.9%。
Aug, 2020
本文提出了一种新的关系感知邻域匹配模型 (RNM),通过匹配邻域和探索有用的信息来增强实体对齐,并利用半监督方法设计了一个迭代框架来利用实体对齐和关系对齐之间的正面互动,实验结果表明,RNM 模型的性能优于现有的最先进方法。
Dec, 2020
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
ALIGNKGC 是一种用于训练多语言知识图谱(Knowledge Graph)完成、实体对齐和关系对齐模型的方法,旨在优化三种损失。使用 DBPedia 数据集进行实验,并与单一 KGC 模型、不使用对齐的 KGC 模型进行比较,结果表明 ALIGNKGC 在这三种任务上的表现均得到了改善。
Apr, 2021
本文提出了一种去中心化的知识图谱表示学习方法,针对只提供实体关系信息但没有输入特征的情况,通过从实体邻居的嵌入编码实体并设计算法进行知识蒸馏来优化,在实体对齐任务上表现得更好,并在归纳设置下在实体对齐和实体预测任务上优于所有对照实验.
Oct, 2020
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
基于增量蒸馏的竞争性方法对 CKGE 进行了改进,通过充分利用知识图谱中的显式图结构,优化了学习顺序,并设计了一种新颖的增量蒸馏机制以有效保留旧知识,实验结果表明该方法在平均倒数排名得分上取得了 0.2%-6.5% 的改进。
May, 2024