論文の概要: TransAlign: Fully Automatic and Effective Entity Alignment for Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2210.08540v1
• Date: Sun, 16 Oct 2022 13:48:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-18 16:12:37.198803
• Title: TransAlign: Fully Automatic and Effective Entity Alignment for Knowledge Graphs
• Title（参考訳）: TransAlign:知識グラフのための完全自動かつ効果的なエンティティアライメント
• Authors: Rui Zhang, Xiaoyan Zhao, Bayu Distiawan Trisedya, Min Yang, Hong Cheng, and Jianzhong Qi
• Abstract要約: 本稿では,TransAlign という完全自動アライメント手法を提案する。 述語埋め込みのために、TransAlignは述語-近似グラフを構築し、述語間の類似性を自動でキャプチャする。 エンティティ埋め込みについては、TransAlignはまずTransEを用いて各KGのエンティティ埋め込みを独立に計算し、2つのKGのエンティティ埋め込みを同じベクトル空間にシフトする。
• 参考スコア（独自算出の注目度）: 38.56396091303561
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The task of entity alignment between knowledge graphs (KGs) aims to identify every pair of entities from two different KGs that represent the same entity. Many machine learning-based methods have been proposed for this task. However, to our best knowledge, existing methods all require manually crafted seed alignments, which are expensive to obtain. In this paper, we propose the first fully automatic alignment method named TransAlign, which does not require any manually crafted seed alignments. Specifically, for predicate embeddings, TransAlign constructs a predicate-proximity-graph to automatically capture the similarity between predicates across two KGs by learning the attention of entity types. For entity embeddings, TransAlign first computes the entity embeddings of each KG independently using TransE, and then shifts the two KGs' entity embeddings into the same vector space by computing the similarity between entities based on their attributes. Thus, both predicate alignment and entity alignment can be done without manually crafted seed alignments. TransAlign is not only fully automatic, but also highly effective. Experiments using real-world KGs show that TransAlign improves the accuracy of entity alignment significantly compared to state-of-the-art methods.
• Abstract（参考訳）: 知識グラフ(KG)間のエンティティアライメントのタスクは、同じエンティティを表す2つの異なるKGからすべてのエンティティを識別することを目的としている。 多くの機械学習に基づく手法が提案されている。 しかし、私たちの知る限りでは、既存の手法はすべて手作りのシードアライメントを必要とします。 本稿では,手作業によるシードアライメントを必要としないTransAlignという,最初の完全自動アライメント手法を提案する。 具体的には、述語埋め込みに対して、transalignは述語-述語関係グラフを構築し、エンティティタイプに注目して述語間の類似度を自動的に2kgにわたって捉える。 エンティティ埋め込みについては、TransAlignはまずTransEを用いて各KGのエンティティ埋め込みを独立に計算し、次に2つのKGのエンティティ埋め込みをそれらの属性に基づいたエンティティ間の類似性を計算することにより、同じベクトル空間にシフトする。 これにより、手動でシードアライメントを作成することなく、述語アライメントとエンティティアライメントの両方を行うことができる。 トランスアランシングは完全に自動化されるだけでなく、非常に効果的である。 実世界のkgsを用いた実験により、transalignは最先端の手法に比べてエンティティアライメントの精度が大幅に向上することが示された。

関連論文リスト

• AutoAlign: Fully Automatic and Effective Knowledge Graph Alignment enabled by Large Language Models [32.38184489436588]
  自動アライメント方式としてAutoAlignを提案する。 述語埋め込みでは、AutoAlignは大きな言語モデルの助けを借りて述語-近似グラフを構築する。 エンティティ埋め込みについては、AutoAlignはまずTransEを用いて各KGのエンティティ埋め込みを独立に計算し、2つのKGのエンティティ埋め込みを同じベクトル空間にシフトする。
  論文  参考訳（メタデータ） (2023-07-18T04:43:24Z)
• 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)
• Exploiting Global Semantic Similarities in Knowledge Graphs by Relational Prototype Entities [55.952077365016066]
  実証的な観察では、頭と尾のエンティティが同じ関係で結ばれている場合、しばしば同様の意味的属性を共有する。 我々は、textittextbfrelational prototype entityと呼ばれる仮想ノードのセットを導入する新しいアプローチを提案する。 エンティティの埋め込みを、関連するプロトタイプの埋め込みに近づけることで、私たちのアプローチは、エンティティのグローバルな意味的類似性を効果的に促進できる。
  論文  参考訳（メタデータ） (2022-06-16T09:25:33Z)
• Multilingual Knowledge Graph Completion with Self-Supervised Adaptive Graph Alignment [69.41986652911143]
  知識グラフ(KG)における行方不明事象を予測するための,新たな自己教師付き適応グラフアライメント(SS-AGA)手法を提案する。 SS-AGAはすべてのKGをグラフ全体として新しいエッジタイプとしてアライメントする。 パブリック多言語DBPedia KGおよび新たに開発された産業多言語EコマースKGの実験は、SS-AGAの有効性を実証的に実証している。
  論文  参考訳（メタデータ） (2022-03-28T18:00:51Z)
• Semi-constraint Optimal Transport for Entity Alignment with Dangling Cases [6.755145435406154]
  タングリングケース(SoTead)におけるエンティティアライメントのための半制約最適輸送と呼ばれる教師なし手法を提案する。 我々の主な考えは、2つのKG間のエンティティアライメントを、あるKGのエンティティから他のエンティティへの最適な輸送問題としてモデル化することである。 実験的な部分では、一般的に使用されるエンティティアライメントデータセット上で、まずSoTeadの優位性を示す。
  論文  参考訳（メタデータ） (2022-03-11T04:20:18Z)
• Cross-lingual Entity Alignment with Adversarial Kernel Embedding and Adversarial Knowledge Translation [35.77482102674059]
  言語間のエンティティアライメントは、しばしば特徴的不整合からシーケンス的コンテキスト無意識の課題に悩まされる。 本稿では,言語間エンティティアライメント(DAEA)のための2つの対向学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-04-16T00:57:28Z)
• Joint Semantics and Data-Driven Path Representation for Knowledge Graph Inference [60.048447849653876]
  我々は,KG埋め込みの枠組みにおける説明可能性と一般化のバランスをとる,新しい共同意味論とデータ駆動経路表現を提案する。 提案手法はリンク予測と経路問合せ応答という2つのタスクのクラスで評価される。
  論文  参考訳（メタデータ） (2020-10-06T10:24:45Z)
• 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)
• Cross-lingual Entity Alignment with Incidental Supervision [76.66793175159192]
  本稿では,多言語KGとテキストコーパスを共通埋め込み方式で共同で表現する,偶発的に教師付きモデルであるJEANSを提案する。 ベンチマークデータセットの実験では、JEANSがエンティティアライメントとインシデントインシデントインシデントインスペクションの改善を期待できる結果となった。
  論文  参考訳（メタデータ） (2020-05-01T01:53:56Z)

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。