EMNLPOct, 2022

LightEA: 基于三视图标签传播的可扩展、鲁棒和可解释的实体对齐框架

PDF
TL;DR通过对研究发现，我们在本文中提出了一种非神经网络 EA 框架 LightEA，它包含了 Random Orthogonal Label Generation，Three-view Label Propagation 和 Sparse Sinkhorn Iteration 三个组件，从而达到极佳的可伸缩性、鲁棒性和可解释性，对多个公共数据集的实验证明了其与现有最先进方法可媲美甚至更好的结果。
发现论文，激发创造
  • 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

  • 使用大型语言模型的有噪注释实体对齐

    通过设计一种新颖的主动学习策略以及引入无监督标签优化方法，我们提出了一个统一的框架 LLM4EA，以有效地利用大型语言模型自动化实体对齐，并在四个基准数据集上进行了广泛实验，证明了其在效果、鲁棒性和效率方面的优势。

    May, 2024

  • 理解和引导基于弱监督的实体对齐与潜在同构传播

    我们提出了一个潜在同构传播算子来加强跨知识图谱的邻居信息传播，以提高聚合型模型的准确性，并展示了 PipEA 在弱监督实体对齐方面取得的显著性能提升。

    Feb, 2024

  • SEA: 一个可扩展的实体对齐系统

    SEA 是一种可伸缩的实体对齐系统，借助于图神经网络作为编码器，在实际应用中进行大规模的实体对齐，其包含六个最新的实体对齐模型，能够加速归一化和评估过程。

    Apr, 2023

  • EchoEA: 实体对齐中的实体和关系之间的回声信息

    本篇论文提出了一种基于 Echo 实体对齐的新框架，该框架利用 4 级自注意机制将实体信息传播到关系中并回传到实体，同时提出了属性组合双向全局过滤策略以改进引导和生成高质量训练数据，实验结果表明，此方法在三个现实跨语言数据集上的表现稳定在平均 hits@1 上达到 96%，不仅显著优于现有 GNN-based 方法，还是现有 EA 方法的通用和可转移的。

    Jul, 2021

  • 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

  • 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

  • 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

  • 通过图增强改进知识图谱实体对齐

    本篇论文提出了一种基于图增强的新颖实体对齐方法 GAEA，结合实体 - 关系编码器和图扩充的方法来消除 KG 的结构异质性，进一步提高模型的对齐效果。

    Apr, 2023

  • 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