Mar, 2024

无标签悬挂案例的实体对齐

PDF
TL;DR我们提出了一种新颖的基于 GNN 的悬挂实体检测和实体对齐框架，用于解决源图或目标图中存在没有对应实体的问题，特征包括设计的实体和关系注意机制以进行选择性邻域聚合以及正负样本学习损失以对悬挂实体进行无偏估计。实验证明，我们的设计的每个组件都对整体对齐性能有贡献，在 30% 的悬挂实体额外标记为训练数据的情况下，与基准方法相比，性能相当或更好。
entity alignmentunlabeled dangling casesgnn-based dangling detectionselective neighborhood aggregationpositive-unlabeled learning loss
发现论文，激发创造
  • 了解无匹配：带有悬空情况的实体对齐

    本文研究了知识图谱实体对齐的新问题设置，提出了一种多任务学习框架，通过检测悬空实体并采取相应技术，可以提高实体对齐的效率和准确性。

    Jun, 2021

  • 利用混合的高阶接近度进行悬挂感知实体对齐

    本文研究了知识图谱中的悬挂实体对齐问题， 提出了一种使用混合高阶接近度检测悬挂实体并对可匹配实体进行对齐的框架， 实验证明该框架可以更准确地检测悬挂实体并解决对齐中的 hubness 问题。

    May, 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

  • 一种准确的无监督方法用于联合实体对齐和悬挂实体检测

    本文提出了一种新的精确的无监督方法，即 UED，用于联合实体对齐和悬挂实体检测，在医学跨语言知识图谱数据集 MedED 中通过全局指导对齐信息和文本语义信息来生成虚拟实体对，利用实体对齐结果辅助悬挂实体检测，无需 supervision，取得了非常好的实验结果。

    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

  • 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

  • SelfKG: 知识图谱中自我监督实体对齐

    本文介绍了利用自监督学习方法进行实体对齐，通过得到 unlabeled negative pairs（无标签负样本），实现将匹配的 entity pairs（实体对）拉远的方法，实验表明这种方法的性能可以跟最好的有监督方法媲美甚至更好。

    Mar, 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

  • 异构知识图谱的关系感知实体对齐

    本文提出一种基于关系感知的双图卷积神经网络（RDGCN），以通过知识图谱和其双重关系相互作用来整合关系信息，并进一步捕获邻近结构以学习更好的实体表示，以获取更好且更有效的跨语言实体对齐结果。

    Aug, 2019

  • 联合学习实体和关系表示用于实体对齐

    本文提出了一种使用图卷积神经网络（GCN）学习实体和关系表示的新颖联合学习框架，以改善实体对齐，并证明利用有用的关系表示来协助实体对齐是一种简单而有效的方法。通过在三个真实的跨语言数据集上进行的实验表明，我们的方法显著优于现有的实体对齐方法。

    Sep, 2019