論文の概要: Exploring and Evaluating Attributes, Values, and Structures for Entity Alignment

• arxiv url: http://arxiv.org/abs/2010.03249v2
• Date: Sat, 2 Jan 2021 08:35:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-09 23:11:48.379761
• Title: Exploring and Evaluating Attributes, Values, and Structures for Entity Alignment
• Title（参考訳）: エンティティアライメントのための属性、価値、構造の検討と評価
• Authors: Zhiyuan Liu, Yixin Cao, Liangming Pan, Juanzi Li, Zhiyuan Liu, Tat-Seng Chua
• Abstract要約: エンティティアライメント(EA)は、さまざまなKGから等価なエンティティをリンクすることで、リッチコンテンツの統合知識グラフ(KG)を構築することを目的としている。 属性・トリプルは重要なアライメント信号も提供できますが、まだ十分に調査されていません。 本稿では,属性値エンコーダを用いてKGをサブグラフに分割し,属性の様々なタイプを効率的にモデル化することを提案する。
• 参考スコア（独自算出の注目度）: 100.19568734815732
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Entity alignment (EA) aims at building a unified Knowledge Graph (KG) of rich content by linking the equivalent entities from various KGs. GNN-based EA methods present promising performances by modeling the KG structure defined by relation triples. However, attribute triples can also provide crucial alignment signal but have not been well explored yet. In this paper, we propose to utilize an attributed value encoder and partition the KG into subgraphs to model the various types of attribute triples efficiently. Besides, the performances of current EA methods are overestimated because of the name-bias of existing EA datasets. To make an objective evaluation, we propose a hard experimental setting where we select equivalent entity pairs with very different names as the test set. Under both the regular and hard settings, our method achieves significant improvements ($5.10\%$ on average Hits@$1$ in DBP$15$k) over $12$ baselines in cross-lingual and monolingual datasets. Ablation studies on different subgraphs and a case study about attribute types further demonstrate the effectiveness of our method. Source code and data can be found at https://github.com/thunlp/explore-and-evaluate.
• Abstract（参考訳）: エンティティアライメント(EA)は、さまざまなKGから等価なエンティティをリンクすることで、リッチコンテンツの統合知識グラフ(KG)を構築することを目的としている。 GNNに基づくEA法は, 関係3重項で定義されたKG構造をモデル化することにより, 有望な性能を示す。 しかし、属性トリプルは重要なアライメント信号を提供することもできるが、まだ十分に研究されていない。 本稿では,帰属値エンコーダを活用し,kgをサブグラフに分割し,各種属性トリプルを効率的にモデル化する。 さらに、既存のEAデータセットの名前バイアスのため、現在のEAメソッドのパフォーマンスは過大評価されている。 客観的な評価を行うために,テストセットと全く異なる名前の等価なエンティティペアを選択するための実験的な設定を提案する。 正規設定とハード設定の両方で、我々の手法は、言語間データセットとモノリンガルデータセットにおいて、12ドルのベースラインに対して、Hits@$1$ in DBP$15$kで5.10\%の大幅な改善を実現している。 異なる部分グラフのアブレーション研究と属性型に関するケーススタディにより,本手法の有効性がさらに示された。 ソースコードとデータはhttps://github.com/thunlp/explore-and-evaluateで確認できる。

関連論文リスト

• 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)
• Learning to Extract Structured Entities Using Language Models [52.281701191329]
  機械学習の最近の進歩は、情報抽出の分野に大きな影響を与えている。 タスクをエンティティ中心にすることで、さまざまなメトリクスの使用を可能にします。 我々は、Structured Entity extractを導入し、Adroximate Entity Set OverlaPメトリックを提案し、この分野にコントリビュートします。
  論文  参考訳（メタデータ） (2024-02-06T22:15:09Z)
• From Alignment to Entailment: A Unified Textual Entailment Framework for Entity Alignment [17.70562397382911]
  既存のメソッドは通常、エンティティのトリプルを埋め込みとしてエンコードし、埋め込みの整列を学ぶ。 我々は両トリプルを統一されたテキストシーケンスに変換し、EAタスクを双方向のテキストエンタテインメントタスクとしてモデル化する。 提案手法は,エンティティ間の2種類の情報の統合相関パターンを捕捉し,元のエンティティ情報間のきめ細かい相互作用を明示的にモデル化する。
  論文  参考訳（メタデータ） (2023-05-19T08:06:50Z)
• 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)
• An Embarrassingly Easy but Strong Baseline for Nested Named Entity Recognition [55.080101447586635]
  スコア行列の空間関係をモデル化するために,コナールニューラルネットワーク(CNN)を提案する。 提案手法は, 事前学習したエンコーダと同一の手法である。
  論文  参考訳（メタデータ） (2022-08-09T04:33:46Z)
• Entity Alignment For Knowledge Graphs: Progress, Challenges, and Empirical Studies [4.221619479687067]
  エンティティアライメント(EA)は、同じエンティティを参照するデータベースをまたいだエンティティを識別する。 EAメソッドはエンティティを低次元空間にマッピングし、それらの類似性に基づいてそれらを調整する。 本稿では,既存のEA手法を包括的に分析し,その応用と限界について検討する。
  論文  参考訳（メタデータ） (2022-05-18T07:59:03Z)
• Adaptive Attribute and Structure Subspace Clustering Network [49.040136530379094]
  自己表現型サブスペースクラスタリングネットワークを提案する。 まず、入力データサンプルを表現する自動エンコーダについて検討する。 そこで我々は, 局所的な幾何学的構造を捉えるために, 混合符号と対称構造行列を構築した。 構築された属性構造と行列に対して自己表現を行い、親和性グラフを学習する。
  論文  参考訳（メタデータ） (2021-09-28T14:00:57Z)
• Interpretable and Low-Resource Entity Matching via Decoupling Feature Learning from Decision Making [22.755892575582788]
  Entity Matchingは、同じ現実世界のオブジェクトを表すエンティティレコードを認識することを目的としている。 異種情報融合(HIF)とキー属性ツリー(KAT)誘導からなる新しいEMフレームワークを提案する。 提案手法は効率が高く,ほとんどの場合SOTA EMモデルより優れている。
  論文  参考訳（メタデータ） (2021-06-08T08:27:31Z)
• Few-Shot Named Entity Recognition: A Comprehensive Study [92.40991050806544]
  マルチショット設定のモデル一般化能力を向上させるための3つの手法を検討する。 ラベル付きデータの比率の異なる10の公開nerデータセットについて経験的比較を行う。 マルチショットとトレーニングフリーの両方の設定で最新の結果を作成します。
  論文  参考訳（メタデータ） (2020-12-29T23:43:16Z)
• AutoRC: Improving BERT Based Relation Classification Models via Architecture Search [50.349407334562045]
  BERTに基づく関係分類(RC)モデルは、従来のディープラーニングモデルよりも大幅に改善されている。 最適なアーキテクチャとは何かという合意は得られない。 BERTをベースとしたRCモデルのための包括的検索空間を設計し、設計選択を自動的に検出するためにNAS(Neural Architecture Search)手法を用いる。
  論文  参考訳（メタデータ） (2020-09-22T16:55:49Z)

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。