Feb, 2024

ASGEA：利用子图对齐中的逻辑规则进行实体对齐

PDF
TL;DR利用 Align-Subgraph 实体对齐（ASGEA）框架从 Align-Subgraphs 中挖掘逻辑规则，设计了 Path-based 图神经网络（ASGNN）来有效地在知识图谱中识别和整合逻辑规则，并通过多模式增强的锚点和多模式注意机制增强 Align-Subgraph，优于嵌入式方法在实体对齐和多模式实体对齐任务中表现出卓越性能。
entity alignmentembedding-based methodslogic rulesalign-subgraph entity alignmentpath-based graph neural network
发现论文，激发创造
  • 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

  • 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

  • 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

  • 基于子图网络的跨语言知识图谱实体对齐

    介绍将子图网络方法引入 GCN 模型用于跨语言知识图谱实体对齐任务，并在实验中证明该方法优于现有 GCN 方法。

    May, 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

  • 探索图结构信息用于带悬挂节点案例的实体对齐

    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。

    Apr, 2023

  • SEA: 一个可扩展的实体对齐系统

    SEA 是一种可伸缩的实体对齐系统，借助于图神经网络作为编码器，在实际应用中进行大规模的实体对齐，其包含六个最新的实体对齐模型，能够加速归一化和评估过程。

    Apr, 2023

  • 多模态知识图谱对齐的实证研究：视觉、推理和对齐

    本文提出了一种使用逻辑推理和多模态知识图谱嵌入的新型多模态实体对齐方法 LODEME，它能准确地利用多模态信息，实现对常见多模态知识图谱中图像特征的提取和利用。Lodeme 在包含图像的八个大规模知识图谱对比数据集上实现了最先进的表现。

    Feb, 2023

  • OntoEA: 基于本体引导的实体对齐方法，通过知识图谱联合嵌入

    本文提出一个以本体指导实体对齐的方法 OntoEA，该方法通过联合嵌入本体和知识图谱来避免虚假映射，实验证明了该方法的优越性和本体的有效性。

    May, 2021

  • 重访和超越实体对齐：生成模型的视角

    本文从生成模型的角度研究了基于嵌入的实体对齐（EEA），理论上证明了生成对抗网络（GAN）方法的有效性，并提出了基于互相变分自编码器（M-VAE）的生成 EEA（GEEA）框架，可以在实体对齐和实体合成任务中产生新实体。

    May, 2023