Jun, 2024

GraLMatch: 用图和语言模型匹配实体组

PDF
TL;DR通过引入 GraLMatch 方法和使用 Transformer-based 模型（DistilBERT）来提高准确性，该论文探讨了多源实体匹配和实体组匹配的挑战，尤其是在存在记录更新和网络连接的情况下。
multi-source entity matchingentity group matchingtransitively matched recordsreal-world recordsgralmatch
发现论文，激发创造
  • 基于图匹配神经网络的跨语言知识图谱对齐

    该论文将主题实体图引入跨语言知识图谱对齐，通过图匹配和基于图注意力的模型来进行相似实体的匹配，实验证明该方法比现有的方法表现更好。

    May, 2019

  • 利用大型语言模型进行关系发现来消除实体匹配的歧义

    通过预定义一组与任务相关的关系，我们的方法将重点从纯粹识别语义相似性转移到理解并定义实体之间的 “关系”，以解决匹配中的模糊性，从而使分析员能够更有效地浏览从完全匹配到概念相关实体的相似性范围。

    Mar, 2024

  • 利用图嵌入技术匹配不同知识图谱中的实体

    本文探讨了如何在不同的知识图谱之间匹配实体的问题，使用基于分类的方法和 RDF2Vec 图嵌入表示，同时提供用于研究该问题的数据集和实验结果作为未来工作的强基线。

    Mar, 2019

  • 从自然语言解释中学习以实现通用的实体匹配

    将实体匹配重新定义为条件生成任务，借助自然语言解释将大型语言模型的推理方式 “精简” 到较小实体匹配模型中，从而达到强大的性能表现。

    Jun, 2024

  • GTRL：一种考虑实体组的时态知识图谱表示学习方法

    GTRL 是首个将实体分组建模算法融入时序知识图谱表示学习过程中，通过有限层的堆叠，通过实体组内部和组间的自动建模来捕获实体之间的相关性并达到了在事件预测任务上优于目前最优方法 13.44％，9.65％，12.15％和 15.12％的结果。

    Feb, 2023

  • 使用 ChatGPT 进行实体匹配

    本文探讨使用 ChatGPT 作为传统 Transformer 模型的更健壮、训练数据更有效的替代方法，对实体匹配任务进行实验，证明 ChatGPT 表现竞争力与经过 fine-tuned 的 RoBERTa 模型相当，达到 83％的 F1 零次训练，同时使用很少一部分的在上下文中的示例以及提供高级匹配规则可在零次训练下获得类似的增益。

    May, 2023

  • 用于语义网络填充的多任务预训练语言模型

    本文研究如何提高知识图谱的完整性，通过引入 LP-BERT 模型，并结合语义匹配以及数据增强的方法，实现了知识图谱补全任务的最新成果，优于现有最佳表现。

    Jan, 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

  • 利用大型语言模型进行实体匹配

    通过使用大型语言模型 (LLMs) 进行实体匹配，我们对可托管的 LLMs (如 GPT3.5 和 GPT4) 以及基于 Llama2 的开源 LLMs 进行了评估，在零 - shot 场景和有任务特定训练数据的场景中比较了不同的提示设计以及模型在零 - shot 场景中的提示敏感度。根据实验结果，我们发现 GPT4 在没有任务特定训练数据的情况下在三个基准数据集上优于精调的 PLMs (RoBERTa 和 Ditto)，达到约 90% 的 F1 分数，而在上下文学习和规则生成方面，除了 GPT4 之外，所有模型都从这些技术中受益（平均 F1 分数提高了 5.9% 和 2.2%），大多数情况下 GPT4 无需额外的指导。

    Oct, 2023

  • KERMIT -- 一种基于 Transformer 的知识图谱匹配方法

    利用预训练的句子转换器生成匹配候选项，接着使用优化的双重编码器来生成最佳匹配项以便自动匹配知识图谱和本体论。在多个数据集上进行了验证并展示了可行性和卓越的结果。

    Apr, 2022