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
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
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
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
本文提出一个基于增强学习的模型用于收集实体对齐数据,并通过一些限制和特征融合策略来提高模型性能,最后在跨语言和单语言的数据集上经过实证分析证实其有效性和优越性。
Jan, 2021
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。
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。
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
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
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