Feb, 2024

利用大型语言模型实现实体对齐的能力解锁

PDF
TL;DRChatEA 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。
entity alignmentchateaknowledge graphlanguage modelsmulti-step reasoning
发现论文，激发创造
  • 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

  • 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

  • LargeEA: 大规模知识图谱中的实体对齐

    LargeEA 通过结构和名称通道相结合的方法实现了大规模知识图谱实体对齐。其中，METIS-CPS 和 NFF 分别用于结构和名称通道。同时，LargeEA 还利用基于名称的数据增强来生成种子对齐结果。实验结果表明，LargeEA 的性能在大规模实体对齐任务中优于当前最先进的方法

    Aug, 2021

  • 从对齐到蕴涵：面向实体对齐的统一文本蕴涵框架

    该研究提出了一种新的实体对齐方法，将实体的三元组转化为文本序列，并以双向文本蕴含任务的形式对齐两个知识图谱中的实体，该方法利用预训练语言模型，能够更好地捕捉实体之间的联系，并在五个跨语言实体对齐数据集上表现优异。

    May, 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

  • 知识图谱实体对齐：进展、挑战和实证研究

    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

  • 利用大型语言模型进行实体匹配

    实体匹配是数据集成中的关键任务，本文探讨了将大型语言模型应用于实体匹配的优势、挑战和未来研究方向，同时回顾了关于弱监督和无监督方法在实体匹配中的应用以及大型语言模型如何增强这些方法。

    May, 2024

  • 利用大型语言模型增强知识图谱构建

    本文分析了当前基础 LLM (ChatGPT) 与专门的预训练模型 (REBEL) 的联合实体和关系提取应用，以可持续发展文本为案例进行了多个实验，结果表明，使用先进的 LLM 模型可以提高从非结构化文本创建知识图谱的过程的准确性，并探索了使用基础 LLM 模型自动创建本体论的潜力，取得更相关和准确的知识图谱。

    May, 2023

  • 大语言模型时代的进化计算：调查与路线图

    基于大型语言模型（LLMs）和进化算法（EAs）的优势和互补性，本文提出了一篇综合综述和展望性的论文，将它们的相互启示分为 LLM 增强进化优化和 EA 增强 LLM 两个方面，并介绍了一些整合方法来论证在各种应用场景中 LLMs 与 EAs 的融合。这篇论文是围绕 LLMs 时代的 EA 研究的首个综合综述，为了解和利用 LLMs 与 EAs 之间的协作潜力奠定了基础，并提供了挑战和未来方向的指导。

    Jan, 2024

  • 自适应特征下的集体实体对齐

    本研究提出了一种基于收集性框架和稳定匹配算法来解决知识图谱中实体对齐问题的方法，并通过对比实验结果证明了其有效性和卓越性。

    Dec, 2019