論文の概要: Degree-Aware Alignment for Entities in Tail
- arxiv url: http://arxiv.org/abs/2005.12132v1
- Date: Mon, 25 May 2020 14:15:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-29 05:10:24.819964
- Title: Degree-Aware Alignment for Entities in Tail
- Title（参考訳）: 尾部実体の次数認識アライメント
- Authors: Weixin Zeng, Xiang Zhao, Wei Wang, Jiuyang Tang, and Zhen Tan
- Abstract要約: 我々は、エンティティアライメント(EA)のための新しいフレームワークを提案する。
我々は、2つの異なる情報ソースを効果的に融合させる重要なガイダンスとして、エンティティの学位を識別する。
ポストアライメントでは、信頼できるEA結果をアンカーとして利用することで、元のKGと相手の事実を補完することを提案する。
- 参考スコア（独自算出の注目度）: 11.153455121529236
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Entity alignment (EA) is to discover equivalent entities in knowledge graphs
(KGs), which bridges heterogeneous sources of information and facilitates the
integration of knowledge. Existing EA solutions mainly rely on structural
information to align entities, typically through KG embedding. Nonetheless, in
real-life KGs, only a few entities are densely connected to others, and the
rest majority possess rather sparse neighborhood structure. We refer to the
latter as long-tail entities, and observe that such phenomenon arguably limits
the use of structural information for EA. To mitigate the issue, we revisit and
investigate into the conventional EA pipeline in pursuit of elegant
performance. For pre-alignment, we propose to amplify long-tail entities, which
are of relatively weak structural information, with entity name information
that is generally available (but overlooked) in the form of concatenated power
mean word embeddings. For alignment, under a novel complementary framework of
consolidating structural and name signals, we identify entity's degree as
important guidance to effectively fuse two different sources of information. To
this end, a degree-aware co-attention network is conceived, which dynamically
adjusts the significance of features in a degree-aware manner. For
post-alignment, we propose to complement original KGs with facts from their
counterparts by using confident EA results as anchors via iterative training.
Comprehensive experimental evaluations validate the superiority of our proposed
techniques.
- Abstract（参考訳）: エンティティアライメント(ea)とは、知識グラフ(kgs)において、異種情報ソースを橋渡しし、知識の統合を促進する、等価なエンティティを発見することである。
既存のEAソリューションは主に、KG埋め込みを通じてエンティティを整合させる構造情報に依存している。
それにもかかわらず、実生活のkgsでは、他と密接な関係を持つエンティティはごくわずかであり、他の多数派は比較的少ない近隣構造を持っている。
我々は後者をロングテールエンティティと呼び、そのような現象がEAの構造情報の使用を制限することを確実に観察する。
この問題を軽減するため,従来のEAパイプラインを再検討し,エレガントなパフォーマンスを追求する。
先行検討では,比較的弱い構造情報であるロングテールエンティティを,結合されたパワー平均単語埋め込みの形で一般に利用可能(ただし見落とされる)なエンティティ名情報で増幅する。
アライメントのために、構造信号と名前信号を統合する新しい補完的な枠組みの下で、エンティティの学位を2つの異なる情報ソースを効果的に融合するための重要なガイダンスとして認識する。
この目的のために、次数対応のコアテンションネットワークを考案し、次数対応の方法で特徴の重要度を動的に調整する。
ポストアライメントのために、我々は、信頼できるEA結果を反復的なトレーニングを通じてアンカーとして利用することで、元のKGを相手の事実と補完することを提案する。
提案手法の有効性を総合実験により検証した。
関連論文リスト
- Learning to Model Graph Structural Information on MLPs via Graph Structure Self-Contrasting [50.181824673039436]
本稿では,グラフ構造情報をメッセージパッシングなしで学習するグラフ構造自己コントラスト(GSSC)フレームワークを提案する。
提案するフレームワークは,構造情報を事前知識として暗黙的にのみ組み込む,MLP(Multi-Layer Perceptrons)に基づいている。
これはまず、近傍の潜在的非形式的あるいはノイズの多いエッジを取り除くために構造的スペーシングを適用し、その後、スペーシングされた近傍で構造的自己コントラストを行い、ロバストなノード表現を学ぶ。
論文 参考訳（メタデータ） (2024-09-09T12:56:02Z) - DERA: Dense Entity Retrieval for Entity Alignment in Knowledge Graphs [3.500936203815729]
エンティティアライメント(EA)のための高密度エンティティ検索フレームワークを提案する。
我々は言語モデルを活用し、エンティティの様々な特徴を均一にエンコードし、知識グラフ(KG)をまたいで最も近いエンティティ検索を容易にする。
提案手法は,既存のEA手法と比較して最先端の性能を実現する。
論文 参考訳（メタデータ） (2024-08-02T10:12:42Z) - Two Heads Are Better Than One: Integrating Knowledge from Knowledge
Graphs and Large Language Models for Entity Alignment [31.70064035432789]
LLMEA(Large Language Model-enhanced Entity Alignment Framework)を提案する。
LLMEAは、知識グラフにまたがるエンティティ間の類似性を埋め込んだり、仮想の等価エンティティとの距離を編集することで、特定のエンティティの候補アライメントを識別する。
3つの公開データセットで実施された実験により、LLMEAが主要なベースラインモデルを上回ることが判明した。
論文 参考訳（メタデータ） (2024-01-30T12:41:04Z) - LasUIE: Unifying Information Extraction with Latent Adaptive
Structure-aware Generative Language Model [96.889634747943]
全ての典型的な情報抽出タスク(UIE)を1つの生成言語モデル(GLM)で普遍的にモデル化し、大きな可能性を明らかにした。
UIE のための構文知識のパワーを完全に解放する構造対応 GLM を提案する。
7つのタスクにわたるIEベンチマークが12以上あり、私たちのシステムはベースラインのUIEシステムよりも大幅に改善されていることを示しています。
論文 参考訳（メタデータ） (2023-04-13T04:01:14Z) - Investigating Graph Structure Information for Entity Alignment with
Dangling Cases [31.779386064600956]
エンティティアライメントは、異なる知識グラフ(KG)における等価なエンティティを見つけることを目的としている。
Weakly-optimal Graph Contrastive Learning (WOGCL) と呼ばれる新しいエンティティアライメントフレームワークを提案する。
We show that WOGCL are outperforms the current-of-the-art method with pure structure information in traditional (relaxed) and dangling settings。
論文 参考訳（メタデータ） (2023-04-10T17:24:43Z) - Toward Practical Entity Alignment Method Design: Insights from New
Highly Heterogeneous Knowledge Graph Datasets [32.68422342604253]
実運用環境でのエンティティアライメント(EA)手法の性能について検討し、特に高ヘテロジニアスKG(HHKG)のアライメントに着目した。
以上の結果から,HHKGと協調して,メッセージパッシングやアグリゲーション機構を通じて,貴重な構造情報を活用できることが示唆された。
これらの結果は、すべてのEAデータセットに対するパナセアとして、GNNベースの手法の従来の適用に関連する潜在的な問題に光を当てた。
論文 参考訳（メタデータ） (2023-04-07T04:10:26Z) - Knowledge Graph Augmented Network Towards Multiview Representation
Learning for Aspect-based Sentiment Analysis [96.53859361560505]
本稿では,知識グラフ拡張ネットワーク(KGAN)を提案する。
KGANは感情の特徴表現を、文脈、構文、知識に基づく複数の視点から捉えている。
3つの人気のあるABSAベンチマークの実験は、我々のKGANの有効性と堅牢性を示している。
論文 参考訳（メタデータ） (2022-01-13T08:25:53Z) - Towards Entity Alignment in the Open World: An Unsupervised Approach [29.337157862514204]
これは知識のカバレッジと品質を高めるために知識グラフ(kgs)を統合する上で重要なステップである。
最先端のソリューションは、モデルトレーニングにラベル付きデータに頼る傾向があります。
オープンな世界でエンティティアライメントを行う監視されていないフレームワークを提供します。
論文 参考訳（メタデータ） (2021-01-26T03:10:24Z) - Visual Pivoting for (Unsupervised) Entity Alignment [93.82387952905756]
本研究は、異種知識グラフ(KGs)におけるエンティティの整列のための視覚的意味表現の使用について研究する。
提案した新しいアプローチであるEVAは、クロスグラフエンティティアライメントのための強い信号を提供する包括的エンティティ表現を生成する。
論文 参考訳（メタデータ） (2020-09-28T20:09:40Z) - Inductive Learning on Commonsense Knowledge Graph Completion [89.72388313527296]
コモンセンス知識グラフ(英: Commonsense Knowledge graph、CKG)は、知識グラフ(英: knowledge graph、CKG)の一種。
本稿では,未確認のエンティティがテスト時に現れるCKG完了のための帰納学習環境について検討する。
InductivEは、ATOMICとConceptNetベンチマークの標準設定とインダクティブ設定の両方において、最先端のベースラインを大幅に上回っている。
論文 参考訳（メタデータ） (2020-09-19T16:10:26Z) - CSNE: Conditional Signed Network Embedding [77.54225346953069]
署名されたネットワークは、友人/フォアや信頼/不信のようなエンティティ間の正と負の関係を符号化する。
サイン予測のための既存の埋め込み手法は、一般に最適化関数におけるステータスやバランス理論の異なる概念を強制する。
条件付き符号付きネットワーク埋め込み(CSNE)を導入する。
我々の確率論的アプローチは、きめ細かな詳細とは別途、ネットワーク内の記号に関する構造情報をモデル化する。
論文 参考訳（メタデータ） (2020-05-19T19:14:52Z)
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。