Mar, 2022

SelfKG: 知识图谱中自我监督实体对齐

PDF
TL;DR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。
entity alignmentknowledge graphsself-supervised learningpositive entity pairsunlabeled negative pairs
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

  • 交互式对比学习用于自监督实体对齐

    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。

    Jan, 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

  • AutoAlign: 全自动有效的知识图谱对齐

    这篇文章介绍了一种名为 AutoAlign 的全自动实体对齐方法，它利用大型语言模型构建谓词接近性图，通过计算实体属性的相似性将两个知识图谱的实体嵌入对齐到同一个向量空间，从而在没有手工标注种子对齐的情况下实现实体对齐，并且实验证明 AutoAlign 在实体对齐上相比于现有方法具有显著的性能提升。

    Jul, 2023

  • 多语言知识图谱完善与自监督自适应图对齐

    本文提出了自我监督自适应图对齐（SS-AGA）方法来解决多语言知识图谱完备性问题，该方法将所有知识图谱融合为一个整体图，并将对齐视为一种新的边类型，并通过关系感知的注意力权重，自适应地控制跨知识图谱的信息传播和噪声影响。

    Mar, 2022

  • 实体对齐的知识图谱嵌入方法：实验评述

    本文通过进行第一次统计学分析，对知识图谱中利用嵌入方法进行的实体对齐的流行方法进行了评估，并根据其在不同性能度量和知识图谱特征方面的有效性将其排名。

    Mar, 2022

  • 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

  • 了解无匹配：带有悬空情况的实体对齐

    本文研究了知识图谱实体对齐的新问题设置，提出了一种多任务学习框架，通过检测悬空实体并采取相应技术，可以提高实体对齐的效率和准确性。

    Jun, 2021

  • 一种聚合 Gromov-Wasserstein 框架用于无监督知识图谱实体对齐

    本文提出了一种使用融合的 Gromov-Wasserstein（FGW）距离的无监督实体对齐框架（FGWEA），通过全面比较实体语义和知识图谱结构，并配合三阶段渐进式优化算法进行计算，实验结果显示其在 14 个不同知识图谱和 5 种语言领域中胜过了 21 个基线算法，包括领先的监督实体对齐方法。

    May, 2023

  • 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