論文の概要: NALA: an Effective and Interpretable Entity Alignment Method

• arxiv url: http://arxiv.org/abs/2404.11968v2
• Date: Sat, 02 Nov 2024 05:58:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-05 14:41:19.640050
• Title: NALA: an Effective and Interpretable Entity Alignment Method
• Title（参考訳）: NALA: 有効かつ解釈可能なエンティティアライメント方法
• Authors: Chuanhao Xu, Jingwei Cheng, Fu Zhang,
• Abstract要約: 非公理論理(NAL)を用いた3種類の論理推論経路をキャプチャするエンティティアライメント手法であるNALAを導入する。 NALAは推論パスの結論を統合することで、エンティティと関係を反復的に調整する。 実験結果から、NALAはHits@1の観点から最先端の手法よりも優れており、教師なし設定と教師なし設定の両方でDBP15Kの3つのデータセットで0.98以上を達成している。
• 参考スコア（独自算出の注目度）: 5.891578523646542
• License:
• Abstract: Entity alignment (EA) aims to find equivalent entities between two Knowledge Graphs. Existing embedding-based EA methods usually encode entities as embeddings, triples as embeddings' constraint and learn to align the embeddings. However, the details of the underlying logical inference steps among the alignment process are usually omitted, resulting in inadequate inference process. In this paper, we introduce NALA, an entity alignment method that captures three types of logical inference paths with Non-Axiomatic Logic (NAL). Type 1&2 align the entity pairs and type 3 aligns relations. NALA iteratively aligns entities and relations by integrating the conclusions of the inference paths. Our method is logically interpretable and extensible by introducing NAL, and thus suitable for various EA settings. Experimental results show that NALA outperforms state-of-the-art methods in terms of Hits@1, achieving 0.98+ on all three datasets of DBP15K with both supervised and unsupervised settings. We offer a pioneering in-depth analysis of the fundamental principles of entity alignment, approaching the subject from a unified and logical perspective. Our code is available at https://github.com/13998151318/NALA.
• Abstract（参考訳）: エンティティアライメント(EA)は、2つの知識グラフの間に等価なエンティティを見つけることを目的としている。 既存の埋め込みベースのEAメソッドは通常、エンティティを埋め込みとしてエンコードする。 しかしながら、アライメントプロセスの根底にある論理的推論ステップの詳細は通常省略され、不適切な推論プロセスとなる。 本稿では,非軸性論理(NAL)を用いた3種類の論理推論経路をキャプチャするエンティティアライメント手法であるNALAを紹介する。 タイプ1&2はエンティティペアを整列し、タイプ3は関係を整列する。 NALAは推論パスの結論を統合することで、エンティティと関係を反復的に調整する。 NALを導入することで論理的に解釈可能で拡張可能であり,様々なEA設定に適した方法である。 実験結果から、NALAはHits@1の観点から最先端の手法よりも優れており、教師なし設定と教師なし設定の両方でDBP15Kの3つのデータセットで0.98以上を達成している。 私たちは、統一的で論理的な視点から、エンティティアライメントの基本的な原則を深く分析する先駆的な方法を提供します。 私たちのコードはhttps://github.com/13998151318/NALAで公開されています。

関連論文リスト

• OneNet: A Fine-Tuning Free Framework for Few-Shot Entity Linking via Large Language Model Prompting [49.655711022673046]
  OneNetは、大規模言語モデル(LLM)の少数ショット学習機能を利用する革新的なフレームワークで、微調整は不要である。 1)無関係なエンティティを要約してフィルタリングすることで入力を単純化するエンティティリダクションプロセッサ,(2)コンテキスト的キューと事前知識を組み合わせて正確なエンティティリンクを行うデュアルパースペクティブエンティティリンカ,(3)エンティティリンク推論における幻覚を緩和するユニークな一貫性アルゴリズムを利用するエンティティコンセンサス判定器,である。
  論文  参考訳（メタデータ） (2024-10-10T02:45:23Z)
• Entity Alignment with Unlabeled Dangling Cases [49.86384156476041]
  本稿では,新しいGNNに基づくダングリング検出とエンティティアライメントフレームワークを提案する。 2つのタスクは同じGNNを共有するが、検出されたダングリングエンティティはアライメントで削除される。 このフレームワークは,表現学習における選択的近傍集約のための設計された実体と関係性注意機構によって特徴付けられる。
  論文  参考訳（メタデータ） (2024-03-16T17:21:58Z)
• Generating Explanations to Understand and Repair Embedding-based Entity Alignment [15.608451451547067]
  埋め込み型EA結果の理解と修復のための説明を生成できる最初のフレームワークを提案する。 埋め込みモデルによって生成されたEAペアを前提として、まず近隣のエンティティと関係を比較し、局所的な説明として一致する部分グラフを構築する。 次に、抽象的な視点からペアを理解するためにアライメント依存グラフを構築します。
  論文  参考訳（メタデータ） (2023-12-08T07:27:26Z)
• 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)
• 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)
• Parallel Instance Query Network for Named Entity Recognition [73.30174490672647]
  名前付きエンティティ認識(NER)は自然言語処理の基本課題である。 最近の研究は、名前付きエンティティ認識を読み取り理解タスクとして扱い、エンティティを抽出するためにタイプ固有のクエリを手動で構築している。 本稿では,グローバルかつ学習可能なインスタンスクエリを並列に抽出するParallel Instance Query Network (PIQN)を提案する。
  論文  参考訳（メタデータ） (2022-03-20T13:01:25Z)
• Deep Reinforcement Learning for Entity Alignment [25.78510840144251]
  強化学習(RL)に基づくエンティティアライメントフレームワークを提案する。 ほとんどの埋め込みベースのエンティティアライメントメソッドに柔軟に適用できる。 いくつかの最先端メソッドのパフォーマンスを継続的に向上し、Hits@1で最大31.1%向上した。
  論文  参考訳（メタデータ） (2022-03-07T11:49:40Z)
• Neural Production Systems [90.75211413357577]
  視覚環境は、異なるオブジェクトまたはエンティティから構成される。 イメージをエンティティに分割するために、ディープラーニング研究者は構造的誘導バイアスを提案した。 私たちは認知科学からインスピレーションを得て、一連のルールテンプレートからなる古典的なアプローチを復活させます。 このアーキテクチャは柔軟でダイナミックな制御フローを実現し、エンティティ固有およびルールベースの情報を分解するのに役立つ。
  論文  参考訳（メタデータ） (2021-03-02T18:53:20Z)
• Exploring and Evaluating Attributes, Values, and Structures for Entity Alignment [100.19568734815732]
  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。
  論文  参考訳（メタデータ） (2020-10-07T08:03:58Z)
• 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)

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。