Aug, 2022

大规模实体对齐的高质量任务分配

PDF
TL;DR本研究提出了一种名为 DivEA 的框架，该框架利用对效应对发现方法和证据传递机制，将大规模实体对齐任务分成多个子任务，以提高准确性和效率。
entity alignmentknowledge graphsdivea frameworkcounterpart discovery methodevidence passing mechanism
发现论文，激发创造
  • LargeEA: 大规模知识图谱中的实体对齐

    LargeEA 通过结构和名称通道相结合的方法实现了大规模知识图谱实体对齐。其中，METIS-CPS 和 NFF 分别用于结构和名称通道。同时，LargeEA 还利用基于名称的数据增强来生成种子对齐结果。实验结果表明，LargeEA 的性能在大规模实体对齐任务中优于当前最先进的方法

    Aug, 2021

  • 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

  • 自适应特征下的集体实体对齐

    本研究提出了一种基于收集性框架和稳定匹配算法来解决知识图谱中实体对齐问题的方法，并通过对比实验结果证明了其有效性和卓越性。

    Dec, 2019

  • 知识图谱实体对齐：进展、挑战和实证研究

    本文对不同的实体对齐方法进行了全面分析，其中主要以基于知识图谱的低维嵌入算法为主，同时提出了四个研究问题并对应用场景和局限性进行了讨论，根据工业数据集中的难点以 extit {Hubness, Degree distribution, Non-isomorphic neighbourhood,} 和 extit {Name bias} 等四个方面进行了实证分析，提出了一个低名称偏倚数据集，并创建了一个开源库，包括 14 种嵌入式实体对齐方法用于进一步研究。

    May, 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

  • 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

  • ClusterEA：基于随机训练和归一化小批量相似度的可扩展实体对齐

    ClusterEA 是一个通用的框架，利用小批量的高等价率实体，采用规范化方法扩大了实体对齐模型，以解决现有 embedding-based 方法中出现的几何问题，并融入在稀疏矩阵融合的基础上为实体对齐提出了新的 ClusterSampler 策略，该方案能够比现有最先进的可扩展性 EA 框架提高 8 倍的 Hits@1。

    May, 2022

  • 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

  • 通过两方面三视角标签传播打造有效高效的时态实体对齐框架

    本文提出了一种有效和高效的非神经网络时空知识图谱实体对齐框架 LightTEA ，用于将不同知识图之间的实体进行对齐，提升知识融合的质量和效率。实验证明，相比于现有的同类方法，该模型能够显著提高实体对齐的效果并大幅缩短运行时间。

    Jul, 2023