May, 2024

使用大型语言模型的有噪注释实体对齐

PDF
TL;DR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。
entity alignmentknowledge graphslarge language modelsautomating eaactive learning policy
发现论文，激发创造
  • 利用大型语言模型实现实体对齐的能力解锁

    ChatEA 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。

    Feb, 2024

  • 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

  • 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

  • LightEA: 基于三视图标签传播的可扩展、鲁棒和可解释的实体对齐框架

    通过对研究发现，我们在本文中提出了一种非神经网络 EA 框架 LightEA，它包含了 Random Orthogonal Label Generation，Three-view Label Propagation 和 Sparse Sinkhorn Iteration 三个组件，从而达到极佳的可伸缩性、鲁棒性和可解释性，对多个公共数据集的实验证明了其与现有最先进方法可媲美甚至更好的结果。

    Oct, 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

  • 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

  • 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

  • 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

  • 基于强化学习和自适应特征的实体对齐

    本文提出一个基于增强学习的模型用于收集实体对齐数据，并通过一些限制和特征融合策略来提高模型性能，最后在跨语言和单语言的数据集上经过实证分析证实其有效性和优越性。

    Jan, 2021