Jul, 2022

面对变化：不断迭代的实体对齐技术应用于知识图谱

PDF
TL;DR本文介绍了一种基于相邻性信息的连续实体对齐方法，以实现对知识图谱中不断增长的实体进行快速嵌入表示，并通过回放部分预对齐实体对来更新旧对齐方式以找到新的实体对齐，并验证实验证明，与迭代学习和重新训练的传统实体对齐方式相比，本方法更加高效。
entity alignmentknowledge graphcontinual alignmentkg growthinductive learning
发现论文，激发创造
  • 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

  • 联合学习实体和关系表示用于实体对齐

    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

  • 异构知识图谱的关系感知实体对齐

    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

  • 基于嵌入式实体对齐的知识图谱基准研究

    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

  • TransAlign：面向知识图谱的自动化有效实体对齐

    TransAlign 是一种自动化，使用机器学习的实体对齐方法，不需要手动制作种子对齐，并可在谓词嵌入和实体嵌入中捕捉相似性以及提高精确度。

    Oct, 2022

  • 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

  • 关系反射实体对齐

    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

  • 基于图匹配神经网络的跨语言知识图谱对齐

    该论文将主题实体图引入跨语言知识图谱对齐，通过图匹配和基于图注意力的模型来进行相似实体的匹配，实验证明该方法比现有的方法表现更好。

    May, 2019

  • 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

  • 多视角知识图谱嵌入用于实体对齐

    本研究提出一种新颖的框架，通过利用实体的多个视角来学习实体嵌入，从而增强知识图谱之间的嵌入式实体对齐，并在真实数据集上验证实验证明，该框架显著优于现有的嵌入式实体对齐方法。

    Jun, 2019