論文の概要: Neighborhood Matching Network for Entity Alignment
- arxiv url: http://arxiv.org/abs/2005.05607v1
- Date: Tue, 12 May 2020 08:26:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-03 18:59:58.795958
- Title: Neighborhood Matching Network for Entity Alignment
- Title(参考訳): エンティティアライメントのための近傍マッチングネットワーク
- Authors: Yuting Wu, Xiao Liu, Yansong Feng, Zheng Wang and Dongyan Zhao
- Abstract要約: Neighborhood Matching Network (NMN)は、新しいエンティティアライメントフレームワークである。
NMNは、トポロジカル構造と近傍差の両方を捉えるために、エンティティ間の類似性を推定する。
まず、新しいグラフサンプリング法を用いて、各エンティティの識別的近傍を蒸留する。
その後、クロスグラフの近傍マッチングモジュールを採用し、与えられたエンティティペアの近傍差を共同で符号化する。
- 参考スコア(独自算出の注目度): 71.24217694278616
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Structural heterogeneity between knowledge graphs is an outstanding challenge
for entity alignment. This paper presents Neighborhood Matching Network (NMN),
a novel entity alignment framework for tackling the structural heterogeneity
challenge. NMN estimates the similarities between entities to capture both the
topological structure and the neighborhood difference. It provides two
innovative components for better learning representations for entity alignment.
It first uses a novel graph sampling method to distill a discriminative
neighborhood for each entity. It then adopts a cross-graph neighborhood
matching module to jointly encode the neighborhood difference for a given
entity pair. Such strategies allow NMN to effectively construct
matching-oriented entity representations while ignoring noisy neighbors that
have a negative impact on the alignment task. Extensive experiments performed
on three entity alignment datasets show that NMN can well estimate the
neighborhood similarity in more tough cases and significantly outperforms 12
previous state-of-the-art methods.
- Abstract(参考訳): 知識グラフ間の構造的不均一性は、エンティティアライメントの際立った課題である。
本稿では,構造的異質性問題に取り組むための新しいエンティティアライメントフレームワークであるneighent matching network (nmn)を提案する。
NMNは、トポロジカル構造と近傍差の両方を捉えるために、エンティティ間の類似性を推定する。
エンティティアライメントのためのより良い学習表現のための2つの革新的なコンポーネントを提供する。
まず、新しいグラフサンプリング法を用いて、各エンティティの識別的近傍を蒸留する。
その後、クロスグラフの近傍マッチングモジュールを採用し、与えられたエンティティペアの近傍差を共同で符号化する。
このような戦略により、NMNはアライメントタスクに悪影響を与えるノイズの多い隣人を無視しながら、マッチング指向のエンティティ表現を効果的に構築できる。
3つのエンティティアライメントデータセットで行った広範囲な実験により、nmnはより厳しいケースで近隣の類似性を正確に推定でき、以前の12の最先端の手法を大きく上回っている。
関連論文リスト
- VN Network: Embedding Newly Emerging Entities with Virtual Neighbors [59.906332784508706]
本稿では,3つの課題に対処するため,VN(Virtual Neighbor)ネットワークという新しいフレームワークを提案する。
まず、近隣の空間問題を減らすために、ルールによって推測される仮想隣人の概念を導入する。
第二に、複雑なパターンを捉えるために、論理と対称パスのルールの両方を識別する。
論文 参考訳(メタデータ) (2024-02-21T03:04:34Z) - EventEA: Benchmarking Entity Alignment for Event-centric Knowledge
Graphs [17.27027602556303]
過去の進歩は偏りと不整合性評価によるものであることが示されています。
我々は、イベント中心のKGに基づいて、異種関係と属性を持つ新しいデータセットを構築した。
この問題に対する新たなアプローチとして,エンティティアライメントのためのタイムアウェアリテラルエンコーダを提案する。
論文 参考訳(メタデータ) (2022-11-05T05:34:21Z) - Optimizing Bi-Encoder for Named Entity Recognition via Contrastive
Learning [80.36076044023581]
名前付きエンティティ認識(NER)のための効率的なバイエンコーダフレームワークを提案する。
我々はNERを、エンティティ参照のベクトル表現とその型との類似性を最大化する計量学習問題とみなす。
NERのこのバイエンコーダの定式化における大きな課題は、エンティティの言及から非エンゲージスを分離することにある。
論文 参考訳(メタデータ) (2022-08-30T23:19:04Z) - Large-scale Entity Alignment via Knowledge Graph Merging, Partitioning
and Embedding [29.81122170002021]
本稿では,3つの視点から構造とアライメント損失を低減するため,スケーラブルなGNNベースのエンティティアライメント手法を提案する。
まず,中心性に基づく部分グラフ生成アルゴリズムを提案し,異なる部分グラフ間のブリッジとして機能するいくつかのランドマークエンティティをリコールする。
第二に、不完全近傍部分グラフから実体表現を復元する自己教師型実体再構成を導入する。
第三に、推論過程において、サブグラフの埋め込みをマージして、アライメント探索のための単一の空間を作る。
論文 参考訳(メタデータ) (2022-08-23T07:09:59Z) - Interpolation-based Correlation Reduction Network for Semi-Supervised
Graph Learning [49.94816548023729]
補間型相関低減ネットワーク(ICRN)と呼ばれる新しいグラフコントラスト学習手法を提案する。
提案手法では,決定境界のマージンを大きくすることで,潜在特徴の識別能力を向上させる。
この2つの設定を組み合わせることで、豊富なラベル付きノードと稀に価値あるラベル付きノードから豊富な監視情報を抽出し、離散表現学習を行う。
論文 参考訳(メタデータ) (2022-06-06T14:26:34Z) - Exploiting Neighbor Effect: Conv-Agnostic GNNs Framework for Graphs with
Heterophily [58.76759997223951]
我々はフォン・ノイマンエントロピーに基づく新しい計量を提案し、GNNのヘテロフィリー問題を再検討する。
また、異種データセット上でのほとんどのGNNの性能を高めるために、Conv-Agnostic GNNフレームワーク(CAGNN)を提案する。
論文 参考訳(メタデータ) (2022-03-19T14:26:43Z) - Clustering with UMAP: Why and How Connectivity Matters [3.04585143845864]
t-SNE や UMAP のようなトポロジーに基づく次元削減手法は、高次元データにおいて成功と人気が高まっている。
ノード接続性 (k-Nearest Neighbors vs textitmutual k-Nearest Neighbors) と近辺性 (Path Neighbors を介して隣接) が次元減少に及ぼす影響について検討した。
論文 参考訳(メタデータ) (2021-08-12T04:25:03Z) - Reinforced Neighborhood Selection Guided Multi-Relational Graph Neural
Networks [68.9026534589483]
RioGNNはReinforceed, recursive, flexible neighborhood selection guided multi-relational Graph Neural Network architectureである。
RioGNNは、各関係の個々の重要性の認識により、説明性を高めた差別的なノード埋め込みを学ぶことができる。
論文 参考訳(メタデータ) (2021-04-16T04:30:06Z) - Nested Named Entity Recognition with Partially-Observed TreeCRFs [23.992944831013013]
ネストネストnerを,部分可観測木を用いた構成構文解析と捉え,部分可観測木crfでモデル化した。
提案手法はACE 2004, ACE 2005データセット上でのSOTA(State-of-the-art)F1スコアを達成し, GENIAデータセット上でのSOTAモデルに匹敵する性能を示す。
論文 参考訳(メタデータ) (2020-12-15T18:20:36Z) - Relation-Aware Neighborhood Matching Model for Entity Alignment [8.098825914119693]
エンティティアライメントのための新しい関係認識型近傍マッチングモデル rnm を提案する。
提案するモデル rnm は最先端手法よりも優れた性能を示す。
論文 参考訳(メタデータ) (2020-12-15T07:22:39Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。