Apr, 2023

探索图结构信息用于带悬挂节点案例的实体对齐

PDF
TL;DR本文提出了一种新的实体对齐框架，使用基于图结构的弱优化的图对比学习算法和 PageRank 算法，结合两个学习目标：对比学习和最优传输学习，以利用实体之间的结构相似性来解决具有悬挂实体的实体对齐问题。实验结果表明这种方法在处理传统（宽松）和悬挂（聚合）实体对齐情况时，比当前最先进的基于纯结构信息的方法具有更好的性能。
entity alignmentknowledge graphdangling entitiesgraph structurecontrastive learning
发现论文，激发创造
  • 了解无匹配：带有悬空情况的实体对齐

    本文研究了知识图谱实体对齐的新问题设置，提出了一种多任务学习框架，通过检测悬空实体并采取相应技术，可以提高实体对齐的效率和准确性。

    Jun, 2021

  • 一种聚合 Gromov-Wasserstein 框架用于无监督知识图谱实体对齐

    本文提出了一种使用融合的 Gromov-Wasserstein（FGW）距离的无监督实体对齐框架（FGWEA），通过全面比较实体语义和知识图谱结构，并配合三阶段渐进式优化算法进行计算，实验结果显示其在 14 个不同知识图谱和 5 种语言领域中胜过了 21 个基线算法，包括领先的监督实体对齐方法。

    May, 2023

  • 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

  • 异构知识图谱上基于 GNN 的实体对齐：新数据集和新方法的反思

    本论文通过构建与真实场景相似的高度异质化知识图谱 (HHKG)，并对现有的图神经网络 (GNNs) 实体对齐方法进行实验，发现 GNNs 不能充分利用 HKKG 的结构信息，导致性能不佳。最后，介绍一种简单有效的方法 (Simple-HHEA)，实验结果表明该方法在 HHKG 数据集上的表现优于之前的模型。

    Apr, 2023

  • 利用混合的高阶接近度进行悬挂感知实体对齐

    本文研究了知识图谱中的悬挂实体对齐问题， 提出了一种使用混合高阶接近度检测悬挂实体并对可匹配实体进行对齐的框架， 实验证明该框架可以更准确地检测悬挂实体并解决对齐中的 hubness 问题。

    May, 2022

  • RAGA: 基于关系感知的图注意力网络用于全局实体对齐

    该论文提出了一种新颖的基于关系感知图注意力网络的框架，旨在捕捉实体和关系之间的交互，并通过全局对齐算法生成一个细粒度相似性矩阵，以实现多个知识图之间的实体对齐任务，实验结果表明，该框架的性能超过了现有的最先进方法。

    Mar, 2021

  • 半约束最优输运用于具有悬挂情况的实体对齐

    本研究提出了一种名为 SoTead 的无监督方法，用于提高实体对齐的性能，并解决不同知识图谱中的悬挂实体问题。该方法通过预先训练的词嵌入将实体对之间的转化成为最优传输问题，并引入虚拟实体对各 KG 中的悬挂实体进行对齐，最终实现一个半约束最优传输的实体对齐模型。在实验部分中，我们展示了 SoTead 在常用数据集上的优越表现，并证明其在其他基线模型中检测悬挂实体的能力。

    Mar, 2022

  • 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

  • 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

  • 无标签悬挂案例的实体对齐

    我们提出了一种新颖的基于 GNN 的悬挂实体检测和实体对齐框架，用于解决源图或目标图中存在没有对应实体的问题，特征包括设计的实体和关系注意机制以进行选择性邻域聚合以及正负样本学习损失以对悬挂实体进行无偏估计。实验证明，我们的设计的每个组件都对整体对齐性能有贡献，在 30% 的悬挂实体额外标记为训练数据的情况下，与基准方法相比，性能相当或更好。

    Mar, 2024