- IJCAI使用有限重叠的垂直分割数据的实体增强策略提高分类效率
在分布式垂直数据学习中,我们提出了一种通过实体增强技术来减少集合交集和实体对齐的方法,从而在分类任务中实现高效的垂直联邦学习。
- 预训练模型中的关系学习:来自超图恢复视角的理论
基础模型具有对世界关系动态的显著洞察力,但它们如何获得对世界混合关系的理解是一个关键问题。本研究引入了一个数学模型,将关系学习形式化为超图恢复,以研究基础模型的预训练。我们的框架将世界表示为一个超图,数据抽象为超边的随机样本。通过将丰富的图 - 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。
- COLING赋能小规模知识图谱:利用通用知识图谱实现丰富的嵌入策略
通过将小规模专业领域知识图谱与已建立的通用知识图谱进行关联,我们提出了一个框架来丰富领域特定知识图谱的嵌入,以应对大规模知识密集型任务中存在的挑战。实验评估表明,通过与大规模通用知识图谱的链接,采用我们的方法可以显著提升下游任务的性能,Hi - P-NAL: 一种有效且可解释的实体对齐方法
我们介绍了一种使用非公理逻辑 (NAL) 的实体对齐方法 P-NAL,该方法捕捉了两种逻辑推理路径,并通过推理路径的结论增强了实体和关系的对齐,实验结果表明该方法在三个 DBP15K 数据集上的表现优于现有的方法。
- 无标签悬挂案例的实体对齐
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 - 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 - ASGEA:利用子图对齐中的逻辑规则进行实体对齐
利用 Align-Subgraph 实体对齐(ASGEA)框架从 Align-Subgraphs 中挖掘逻辑规则,设计了 Path-based 图神经网络(ASGNN)来有效地在知识图谱中识别和整合逻辑规则,并通过多模式增强的锚点和多模式注 - 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。
- 能量的梯度流:实体对齐解码的通用高效方法
实体对齐(Entity alignment)是一种在多源知识图谱中集成的关键过程,我们提出了一种基于实体嵌入的新型、广义的、高效的解码方法,称为 Triple Feature Propagation(TFP),该方法通过最小化狄利克雷能量来 - 生成解释以理解和修复基于嵌入的实体对齐
提供第一个可以生成解释的框架,用于理解和修复基于嵌入的实体对齐结果。通过比较邻近实体和关系来构建匹配子图作为局部解释,构建依赖关系图以从抽象角度理解实体对齐对,根据依赖图解决三种对齐冲突类型来修复实体对齐结果。实验证明了我们框架在解释和修复 - 基于图卷积网络和信息融合的科技专利实体对齐方法
基于图卷积网络和 BERT 模型的科技专利信息融合实体对齐方法,通过嵌入和表示科技专利知识图中的结构信息和实体属性信息,实现多信息融合,提高实体对齐性能。
- 多模态知识图谱转换框架用于多模态实体对齐
多模态实体对齐 (MMEA) 是一个关键任务,旨在识别多模态知识图谱 (MMKGs) 中的等效实体对。我们提出了一种名为 MoAlign 的新颖 MMEA transformer,通过引入邻居特征、多模态属性和实体类型来增强对齐任务。利用 - 通过逐步融合模态相似路径实现通用多模式实体对齐
我们提出了 PathFusion 方法,通过构建连接实体和模态节点的路径来代表多模态信息,进而有效地将不同模态的信息进行融合,实验证明了 PathFusion 方法在实际数据集上的优越性。
- Know2BIO: 演进中的生物医学知识图谱全面双视角基准
我们提出了一个面向生物医学领域的异构知识图谱基准测试平台 Know2BIO,它从 30 个不同的数据源中整合数据,并捕捉了 11 个生物医学类别中的复杂关系。通过在 Know2BIO 上评估知识图谱表示模型,我们展示了其在生物医学领域中作为 - 两者皆胜:通过多个知识源与普适链接答复复杂问题
利用多个知识库融合的全连接和部分连接,提出了用于多知识库问答的新任务,并构建了多样化的链接和查询类型基准来有效评估多知识库问答性能。通过将所有链接关系编码到知识库嵌入中,我们提出了一种用于多知识库问答的方法,其在实验中显著优于传统的知识库问 - AutoAlign: 全自动有效的知识图谱对齐
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 Aut - IJCAI通过两方面三视角标签传播打造有效高效的时态实体对齐框架
本文提出了一种有效和高效的非神经网络时空知识图谱实体对齐框架 LightTEA ,用于将不同知识图之间的实体进行对齐,提升知识融合的质量和效率。实验证明,相比于现有的同类方法,该模型能够显著提高实体对齐的效果并大幅缩短运行时间。
- 对抗确认偏差:一种统一的伪标记框架用于实体对齐
本文提出了一种统一的伪标记框架,即 UPL-EA,以系统地对抗基于伪标记的实体对齐的确认偏差,该框架由基于最优输运和跨迭代伪标记校准两部分组成,分别设计用来消除识别虚假实体对齐的两种类型伪标记。实验表明,该方法能够在有限真实实体对齐种子的情 - ICML何为实体相似?多源知识图谱嵌入模型的相似性淹没视角
本文通过相似性传播的视角探究了基于嵌入对齐的模型的工作机制,证明了这些模型的嵌入学习过程实际上是在寻求实体之间成对相似性的不动点,同时提出了两种灵感来源于相似性传播的计算过程的简单而有效的方法,并在基准数据集上证明了它们的有效性。