WWWFeb, 2023

面向时间知识图谱的无监督实体对齐

PDF
TL;DR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。
entity alignmenttemporal knowledge graphsdualmatchweighted graph matchingunsupervised method
发现论文，激发创造
  • 一种简单的时间信息匹配机制，用于时态知识图之间的实体对齐

    本研究提出了一种使用图神经网络和时间信息匹配机制的方法，用于在时间知识图中实现实体对齐，并且提出了自动生成无监督对齐种子的方法，经过实验证明，该方法在性能和效率方面优于以往方法。

    Sep, 2022

  • 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

  • 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

  • 时间感知图神经网络用于时态知识图之间的实体对齐

    本文研究子问题 - 在时间性知识图之间进行实体对齐，提出了一种基于图神经网络的时态感知实体对齐方法。实验证明，该方法在多个实际应用场景中明显优于现有技术。

    Mar, 2022

  • 从对齐到蕴涵：面向实体对齐的统一文本蕴涵框架

    该研究提出了一种新的实体对齐方法，将实体的三元组转化为文本序列，并以双向文本蕴含任务的形式对齐两个知识图谱中的实体，该方法利用预训练语言模型，能够更好地捕捉实体之间的联系，并在五个跨语言实体对齐数据集上表现优异。

    May, 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

  • EventEA：基于事件的知识图谱实体对齐基准测试

    该论文介绍了发现不同知识图谱中相同实体的通用技术，使用嵌入式技术具有符号异构性的问题，在构建数据集时发现了两个主要不足之处：关系三元组中的同构图结构和属性三元组中的弱异质性，因此提出了一种基于时间感知的文字编码算法进行实体对齐。

    Nov, 2022

  • 尾部实体的度感知对齐

    通过使用实体名称信息和度量作为重要的指导信息，提出了 degree-aware co-attention 网络来识别结构和名称信号的新型互补框架，以有效地融合两种不同的信息源，然后使用有信心的 EA 结果作为锚点通过迭代训练来补充原始 KG 的事实。

    May, 2020

  • 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

  • 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