Jul, 2023

AutoAlign: 全自动有效的知识图谱对齐

PDF
TL;DR这篇文章介绍了一种名为 AutoAlign 的全自动实体对齐方法，它利用大型语言模型构建谓词接近性图，通过计算实体属性的相似性将两个知识图谱的实体嵌入对齐到同一个向量空间，从而在没有手工标注种子对齐的情况下实现实体对齐，并且实验证明 AutoAlign 在实体对齐上相比于现有方法具有显著的性能提升。
发现论文，激发创造
  • TransAlign：面向知识图谱的自动化有效实体对齐

    TransAlign 是一种自动化，使用机器学习的实体对齐方法，不需要手动制作种子对齐，并可在谓词嵌入和实体嵌入中捕捉相似性以及提高精确度。

    Oct, 2022

  • 实体对齐的知识图谱嵌入方法：实验评述

    本文通过进行第一次统计学分析，对知识图谱中利用嵌入方法进行的实体对齐的流行方法进行了评估，并根据其在不同性能度量和知识图谱特征方面的有效性将其排名。

    Mar, 2022

  • 双管齐下：将知识图谱和大型语言模型的知识融合用于实体对齐

    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

  • 基于图匹配神经网络的跨语言知识图谱对齐

    该论文将主题实体图引入跨语言知识图谱对齐，通过图匹配和基于图注意力的模型来进行相似实体的匹配，实验证明该方法比现有的方法表现更好。

    May, 2019

  • 知识图谱实体和模式的深度主动对齐

    本文提出了一种基于深度学习和主动学习的知识图谱对齐方法 DAAKG，通过学习实体、关系和类的嵌入并在半监督情况下联合对齐它们，同时估计最佳批次用于人工标注，提高实体，关系或类的推断准确率。实验表明，DAAKG 具有出色的准确性和推广性。

    Apr, 2023

  • 基于嵌入式实体对齐的知识图谱基准研究

    本文介绍了实体对齐的新方法 ——embedding-based. 通过调查 23 种不同的 entity alignment 方法，我们提出了一种新的 KG 采样算法，并生成了不同的异质性和分布的基准数据集来进行评估。通过开源库测试了其中 12 种代表性的 entity alignment 方法，讨论了它们的优点和局限性。同时，我们进行了探索性实验，并报告了未来研究的初步结果。

    Mar, 2020

  • AutoKG: 为语言模型提供高效自动化的知识图谱生成

    通过关键词提取和图拉普拉斯学习，AutoKG 用于自动构建知识图谱的轻量高效方法，通过向语言模型丰富 LLM 输出，提供了比语义相似性搜索更全面和相互关联的知识检索机制。

    Nov, 2023

  • 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

  • 面对变化：不断迭代的实体对齐技术应用于知识图谱

    本文介绍了一种基于相邻性信息的连续实体对齐方法，以实现对知识图谱中不断增长的实体进行快速嵌入表示，并通过回放部分预对齐实体对来更新旧对齐方式以找到新的实体对齐，并验证实验证明，与迭代学习和重新训练的传统实体对齐方式相比，本方法更加高效。

    Jul, 2022

  • 一个实体对齐的自监督方法

    本文旨在通过自监督学习方法，利用知识图谱之间的对应关系，解决构建大规模知识图谱所必需的实体对齐问题，实验结果表明本文提出的 SelfKG 方法在无监督学习领域已经可以达到或超过有监督学习领域的最新方法的水平。

    Jun, 2021