一种准确的无监督方法用于联合实体对齐和悬挂实体检测

ACLMar, 2022

一种准确的无监督方法用于联合实体对齐和悬挂实体检测

An Accurate Unsupervised Method for Joint Entity Alignment and Dangling Entity Detection

Shengxuan Luo, Sheng Yu

TL;DR本文提出了一种新的精确的无监督方法，即 UED，用于联合实体对齐和悬挂实体检测，在医学跨语言知识图谱数据集 MedED 中通过全局指导对齐信息和文本语义信息来生成虚拟实体对，利用实体对齐结果辅助悬挂实体检测，无需 supervision，取得了非常好的实验结果。

Abstract

knowledge graph integration typically suffers from the widely existing dangling entities that cannot find alignment cross knowledge graphs (KGs). The dangling entity set is unavailable in most real-world scenarios, and manually mining the entity pairs that consist of entities with the

knowledge graph entity alignment dangling entity detection unsupervised method medical knowledge graph

发现论文，激发创造

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

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

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

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

无标签悬挂案例的实体对齐

我们提出了一种新颖的基于 GNN 的悬挂实体检测和实体对齐框架，用于解决源图或目标图中存在没有对应实体的问题，特征包括设计的实体和关系注意机制以进行选择性邻域聚合以及正负样本学习损失以对悬挂实体进行无偏估计。实验证明，我们的设计的每个组件都对整体对齐性能有贡献，在 30% 的悬挂实体额外标记为训练数据的情况下，与基准方法相比，性能相当或更好。

Mar, 2024

半约束最优输运用于具有悬挂情况的实体对齐

本研究提出了一种名为 SoTead 的无监督方法，用于提高实体对齐的性能，并解决不同知识图谱中的悬挂实体问题。该方法通过预先训练的词嵌入将实体对之间的转化成为最优传输问题，并引入虚拟实体对各 KG 中的悬挂实体进行对齐，最终实现一个半约束最优传输的实体对齐模型。在实验部分中，我们展示了 SoTead 在常用数据集上的优越表现，并证明其在其他基线模型中检测悬挂实体的能力。

Mar, 2022

利用混合的高阶接近度进行悬挂感知实体对齐

本文研究了知识图谱中的悬挂实体对齐问题，提出了一种使用混合高阶接近度检测悬挂实体并对可匹配实体进行对齐的框架，实验证明该框架可以更准确地检测悬挂实体并解决对齐中的 hubness 问题。

May, 2022

无监督深度跨语言实体对齐

提出了一种简单且新颖的无监督方法，利用深度学习多语言编码器结合机器翻译器对知识图谱文本进行编码，同时考虑全局与局部对齐策略，并生成排名匹配结果。在跨语言实体对齐任务上，我们的方法在 DBP15K 数据集中的中文、日文和法文到英文对齐任务中得到了较高的准确率，超过了无监督和半监督类别的最新方法。与最新的有监督方法相比，在日文到英文和法文到英文对齐任务中，我们的方法分别提高了 2.6% 和 0.4%，在中文到英文对齐任务中略微降低了 0.2%。

Sep, 2023

对抗确认偏差：一种统一的伪标记框架用于实体对齐

本文提出了一种统一的伪标记框架，即 UPL-EA，以系统地对抗基于伪标记的实体对齐的确认偏差，该框架由基于最优输运和跨迭代伪标记校准两部分组成，分别设计用来消除识别虚假实体对齐的两种类型伪标记。实验表明，该方法能够在有限真实实体对齐种子的情况下取得竞争性的性能。

Jul, 2023

探索图结构信息用于带悬挂节点案例的实体对齐

本文提出了一种新的实体对齐框架，使用基于图结构的弱优化的图对比学习算法和 PageRank 算法，结合两个学习目标：对比学习和最优传输学习，以利用实体之间的结构相似性来解决具有悬挂实体的实体对齐问题。实验结果表明这种方法在处理传统（宽松）和悬挂（聚合）实体对齐情况时，比当前最先进的基于纯结构信息的方法具有更好的性能。

Apr, 2023