KAE:一种基于属性的知识图对齐和扩展方法
本研究提出一种新颖的框架,通过利用实体的多个视角来学习实体嵌入,从而增强知识图谱之间的嵌入式实体对齐,并在真实数据集上验证实验证明,该框架显著优于现有的嵌入式实体对齐方法。
Jun, 2019
本文介绍了实体对齐的新方法——embedding-based. 通过调查23种不同的entity alignment方法,我们提出了一种新的KG采样算法,并生成了不同的异质性和分布的基准数据集来进行评估。通过开源库测试了其中12种代表性的entity alignment方法,讨论了它们的优点和局限性。同时,我们进行了探索性实验,并报告了未来研究的初步结果。
Mar, 2020
本文提出了一个基于概率推理和语义嵌入的迭代框架PRASE,它将知识图嵌入和推理相结合,通过实体映射学习知识图嵌入,并在推理系统PARIS中反馈实体映射和嵌入,其在多个数据集上表现出了最先进的性能。
May, 2021
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
本文通过进行第一次统计学分析,对知识图谱中利用嵌入方法进行的实体对齐的流行方法进行了评估,并根据其在不同性能度量和知识图谱特征方面的有效性将其排名。
Mar, 2022
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
TransAlign是一种自动化,使用机器学习的实体对齐方法,不需要手动制作种子对齐,并可在谓词嵌入和实体嵌入中捕捉相似性以及提高精确度。
Oct, 2022
这篇文章介绍了一种名为AutoAlign的全自动实体对齐方法,它利用大型语言模型构建谓词接近性图,通过计算实体属性的相似性将两个知识图谱的实体嵌入对齐到同一个向量空间,从而在没有手工标注种子对齐的情况下实现实体对齐,并且实验证明AutoAlign在实体对齐上相比于现有方法具有显著的性能提升。
Jul, 2023
本文提出了一种基于实体类型识别的知识图谱扩展框架,通过对不同知识图谱的模式和实体进行对齐,提高了扩展的性能,从而实现高质量的知识提取。通过定量实验和案例研究,全面展示了所提出的扩展框架及其功能的可行性和有效性。
May, 2024
本研究解决了当前知识图谱对齐(KGA)模型在关系对齐方面的不足,提出将关系对齐视为一个独立任务,从而实现更加全面的知识图谱对齐。我们提出了一种新的期望最大化模型EREM,迭代优化实体对齐和关系对齐两项高度相关的子任务,实验结果表明该模型在实体对齐和关系对齐任务中均优于现有先进模型。
Jul, 2024