网站开发英文合同,wordpress 配置邮箱,seo营销名词解释,有那个网站可以做免费的投票笔记整理 | 谭亦鸣#xff0c;东南大学博士生来源#xff1a;DASFAA’21链接#xff1a;https://arxiv.org/pdf/2101.10535.pdf概述与动机知识图谱对齐的目的是建立两个不同知识图谱之间实体的对应关系#xff0c;如图1#xff0c;本文作者发现现有的实体对齐方法依赖于标… 笔记整理 | 谭亦鸣东南大学博士生来源DASFAA’21链接https://arxiv.org/pdf/2101.10535.pdf概述与动机知识图谱对齐的目的是建立两个不同知识图谱之间实体的对应关系如图1本文作者发现现有的实体对齐方法依赖于标注数据且无法很好的识别出“不存在对齐”的实体。为了解决这个问题本文提供了一个面向开放域的无监督对齐框架UEA非监督实体对齐。具体做法是模型首先从图谱的边缘信息挖掘出可用特征然后建立一个“无匹配实体”预测模块用于过滤图谱中“不存在对齐”的实体。过滤得到的初步结果被用做“伪标注数据”作用于一种渐进式学习框架生成图谱的结构表示这些结构与边缘信息的结合能够提供更加全面的对齐视图。最后渐进式学习框架基于上一迭代的对齐结果生成新的伪标注数据并不断增强对齐模型的性能。在不依赖标注数据的情况下本文模型在DBP15K等常规对齐数据集上取得了较好的结果。图2描述了UEA模型的主要流程首先模型从待对齐的两个知识图谱的边缘信息中抽取有用的特征这里的边缘信息主要指实体命名通过语义级别以及字符串级别的特征信息作者构建了图谱中实体之间的距离矩阵其中α是一个平衡权重的超参Mn表示KG上实体命名的语义距离矩阵Ml则表示字符串级别的距离矩阵。通过这一步所获取的距离矩阵被用于建立“无匹配实体”模块用于生成对齐结果该对齐结果被视作伪对齐用于知识图谱结构embedding中从而形成一个迭代过程。非对齐实体模块现有的对齐模型只考虑了如何建立对齐而忽略了有些实体之间是不可能存在对齐关系的情况例如类型不同的实体。因此这里作者采用了一个新的策略如算法1所描述的TBNNS带阈值双向最近邻搜索对于一个给定的source实体u及target实体v如果u和v相互是最近邻那么他们之间的相似性则低于一个给定的阈值θ(u,v)就为一堆对齐实体组M(u,v)是度量两者是否符合阈值的距离矩阵。渐进学习框架非匹配实体模块得到的伪标注被用于学习统一的KG embedding在这里作者使用GCN用来捕捉实体的邻居信息。算法2给出了渐进学习模块对应的算法首先使用初始伪对齐学习KG结构embedding并得到结构距离矩阵MsMs与非匹配模块中定义的Mt矩阵共同构成精确的对齐距离信号矩阵M。利用M可用生成更多的精准匹配而后迭代强化自身。与其他对齐模型一样本文的实验性能在DBP15K的三组语言对上给出数据的相关统计信息如表1表2的对比结果来看该非监督方法在性能上以及接近或超过了许多已有的有监督学习的模型。接着作者在消融实验中重点验证了是否调整阈值是否在迭代过程中从实体集除去实体的对齐结果等等结果如表3所展示。 OpenKGOpenKG中文开放知识图谱旨在推动以中文为核心的知识图谱数据的开放、互联及众包并促进知识图谱算法、工具及平台的开源开放。点击阅读原文进入 OpenKG 网站。
