从对齐到蕴涵:面向实体对齐的统一文本蕴涵框架
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
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
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
ChatEA 是一个创新的框架,将大型语言模型(LLMs)结合到实体对齐(EA)中,通过 KG-code 翻译模块和对话式的多步推理策略提高准确性和效率。实验证实了 ChatEA 在 EA 任务中的卓越性能,突出了 LLMs 在促进 EA 任务中的潜力。
Feb, 2024
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
本文引入一种新型的通用实体对齐框架,该框架基于本体对与通过 triple-aware attention 实现的角色增强机制,而无需引入外部资源,实现了从不同知识图谱中发现等价对象的基本任务,该框架在三个真实数据集上的实验结果表明,与基线方法相比,具有竞争性能。
May, 2023
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
本文提出了一种名为 TTEA 的新框架,通过考虑集成三元组的特异性和实体角色特征来克服现有方法中对三元组不可分割性和实体角色多样性的关注不足,利用三元组感知注意力导出集成三元组表示,并使用三元组增强实体来建模三元组元素的角色多样性,在三个现实世界的跨语言数据集上展开的大量实验表明,本框架优于现有最先进的方法。
May, 2023
该研究提出了一种基于大型语言模型增强的实体对齐框架(LLMEA),将知识图谱的结构知识与大型语言模型的语义知识相结合,以提升实体对齐的效果。实验结果表明,LLMEA 优于其他基线模型,进一步剖析试验证实了我们提出框架的效能。
Jan, 2024