EMNLPNov, 2023

MixTEA: 混合教学的半监督实体对齐

PDF
TL;DR在这篇论文中，我们提出了一种名为 MixTEA 的新型半监督实体对齐方法，通过混合使用手动标记映射和概率伪映射来指导模型学习。我们采用了双向投票策略来估计伪映射的不确定性，并设计了一种基于匹配多样性的校正模块来调整伪映射学习，从而减少错误映射的负面影响。通过对基准数据集的广泛实验和进一步分析，我们证明了我们提出的方法的优越性和有效性。
semi-supervised entity alignmentpseudo mappingsmixteabi-directional votingmatching diversity-based rectification
发现论文，激发创造
  • 伪标签校准半监督多模态实体对齐

    我们提出了一种半监督的伪标签校准多模态实体对齐方法 (PCMEA)，通过利用多模态信息的视觉、结构、关系和属性特征，最大化互信息来过滤模态特定的噪声和增加模态不变的共性，结合动量对比学习和伪标签校准，提高伪标签的质量和对齐实体的准确性。我们在两个多模态实体对齐数据集上进行了大量实验证明了我们的方法的有效性，并取得了最先进的性能。

    Mar, 2024

  • 面向时间知识图谱的无监督实体对齐

    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

  • 基于循环教学的集成半监督实体对齐

    本篇论文提出了一种迭代循环教学框架，用于解决知识图谱中实体对齐的半监督学习问题，在数据不足和实体对齐含有较多噪声时，通过训练多个模型并进行多次循环教学的方式，来提高实体对齐的性能并减少噪声的影响。

    Mar, 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

  • 交互式对比学习用于自监督实体对齐

    本篇论文提出了交互式对比学习模型，不仅编码了实体的结构和语义信息（包括实体名称、实体描述和实体邻域），还通过构建伪对齐实体对进行跨知识图谱的对比学习，展示出该模型有效性较高，并在实验中超越了之前最佳的自监督结果（平均提高了 9％以上），且性能与之前的 SOTA 监督方法相当。

    Jan, 2022

  • 对抗确认偏差：一种统一的伪标记框架用于实体对齐

    本文提出了一种统一的伪标记框架，即 UPL-EA，以系统地对抗基于伪标记的实体对齐的确认偏差，该框架由基于最优输运和跨迭代伪标记校准两部分组成，分别设计用来消除识别虚假实体对齐的两种类型伪标记。实验表明，该方法能够在有限真实实体对齐种子的情况下取得竞争性的性能。

    Jul, 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

  • 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

  • ActiveEA: 神经实体对齐的主动学习

    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

  • 使用大型语言模型的有噪注释实体对齐

    通过设计一种新颖的主动学习策略以及引入无监督标签优化方法，我们提出了一个统一的框架 LLM4EA，以有效地利用大型语言模型自动化实体对齐，并在四个基准数据集上进行了广泛实验，证明了其在效果、鲁棒性和效率方面的优势。

    May, 2024