論文の概要: Aligning Multiple Knowledge Graphs in a Single Pass

• arxiv url: http://arxiv.org/abs/2408.00662v1
• Date: Thu, 1 Aug 2024 15:58:05 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-04 20:06:59.370201
• Title: Aligning Multiple Knowledge Graphs in a Single Pass
• Title（参考訳）: シングルパスにおける複数の知識グラフのアライメント
• Authors: Yaming Yang, Zhe Wang, Ziyu Guan, Wei Zhao, Weigang Lu, Xinyan Huang,
• Abstract要約: 複数の知識グラフの整合性を解決するために,MultiEAという効果的なフレームワークを提案する。 特に,アライメント性能を向上させるために,革新的な推論拡張手法を提案する。 その結果,MultiEAは1回のパスで複数のKGを効果的かつ効率的にアライメントできることがわかった。
• 参考スコア（独自算出の注目度）: 16.396492040719657
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Entity alignment (EA) is to identify equivalent entities across different knowledge graphs (KGs), which can help fuse these KGs into a more comprehensive one. Previous EA methods mainly focus on aligning a pair of KGs, and to the best of our knowledge, no existing EA method considers aligning multiple (more than two) KGs. To fill this research gap, in this work, we study a novel problem of aligning multiple KGs and propose an effective framework named MultiEA to solve the problem. First, we embed the entities of all the candidate KGs into a common feature space by a shared KG encoder. Then, we explore three alignment strategies to minimize the distances among pre-aligned entities. In particular, we propose an innovative inference enhancement technique to improve the alignment performance by incorporating high-order similarities. Finally, to verify the effectiveness of MultiEA, we construct two new real-world benchmark datasets and conduct extensive experiments on them. The results show that our MultiEA can effectively and efficiently align multiple KGs in a single pass.
• Abstract（参考訳）: エンティティアライメント(EA)は、異なる知識グラフ(KG)にまたがる同等のエンティティを識別することであり、これらのKGをより包括的なものにするのに役立つ。 従来のEAメソッドは主に、一対のKGの整合性に重点を置いており、私たちの知る限り、既存のEAメソッドでは、複数の(2つ以上の)KGの整合性を考慮していません。 この研究ギャップを埋めるために,本研究では,複数のKGの整合性に関する新たな課題について検討し,その解決を目的としたMultiEAというフレームワークを提案する。 まず、すべての候補KGのエンティティを共有KGエンコーダによって共通の特徴空間に埋め込む。 次に,事前整合したエンティティ間の距離を最小化する3つのアライメント戦略について検討する。 特に,高次類似性を取り入れたアライメント性能向上のための新しい推論拡張手法を提案する。 最後に、MultiEAの有効性を検証するために、2つの新しい実世界のベンチマークデータセットを構築し、それらを広範囲に実験する。 その結果,MultiEAは1回のパスで複数のKGを効果的かつ効率的にアライメントできることがわかった。

関連論文リスト

• Attr-Int: A Simple and Effective Entity Alignment Framework for Heterogeneous Knowledge Graphs [9.725601872648566]
  エンティティアライメント(EA)とは、異なる知識グラフ(KG)内のエンティティをリンクすることである。 本稿では, 異種KG間の整合性の問題について検討し, 対処する。 本稿では,Attr-Intと呼ばれるシンプルで効果的なエンティティアライメントフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-17T10:16:56Z)
• 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)
• On the Sweet Spot of Contrastive Views for Knowledge-enhanced Recommendation [49.18304766331156]
  KG強化推薦のための新しいコントラスト学習フレームワークを提案する。 我々は、KGとIGのための2つの異なるコントラストビューを構築し、それらの相互情報を最大化する。 実世界の3つのデータセットに対する大規模な実験結果から,本手法の有効性と有効性が確認された。
  論文  参考訳（メタデータ） (2023-09-23T14:05:55Z)
• LightEA: A Scalable, Robust, and Interpretable Entity Alignment Framework via Three-view Label Propagation [27.483109233276632]
  既存のGNNベースのEAメソッドは、ニューラルネットワークの系統から生まれてくる欠陥を継承している、と我々は主張する。 我々は,(i)ランダム直交ラベル生成,(ii)3ビューラベル伝搬,(iii)スパースシンクホーンイテレーションという3つの効率的なコンポーネントからなる非神経EAフレームワーク-LightEAを提案する。 公開データセットに関する広範な実験によると、LightEAは印象的なスケーラビリティ、堅牢性、解釈可能性を持っている。
  論文  参考訳（メタデータ） (2022-10-19T10:07:08Z)
• Collaborative Knowledge Graph Fusion by Exploiting the Open Corpus [59.20235923987045]
  知識表現の質を維持しながら、新たに収穫した3倍の知識グラフを豊かにすることは困難である。 本稿では,付加コーパスから得られる情報を用いてKGを精製するシステムを提案する。
  論文  参考訳（メタデータ） (2022-06-15T12:16:10Z)
• Dangling-Aware Entity Alignment with Mixed High-Order Proximities [65.53948800594802]
  ダングリングを意識したエンティティアライメントは、知識グラフにおいて未探索だが重要な問題である。 ダングリング・アウェア・エンティティアライメントにおける混合高次近似を用いたフレームワークを提案する。 我々のフレームワークはより正確にダングリングエンティティを検出し、マッチング可能なエンティティをよりよく調整します。
  論文  参考訳（メタデータ） (2022-05-05T02:39:55Z)
• 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)
• ActiveEA: Active Learning for Neural Entity Alignment [31.212894129845093]
  エンティティアライメント(EA)は、異なる知識グラフ(KG)間で同等のエンティティをマッチングすることを目的としている。 現在の主流の手法であるニューラルEAモデルは、シードアライメントによるトレーニング、すなわち、事前整合したエンティティペアのセットに依存しています。 我々は、神経EAのための新しいアクティブラーニング(AL)フレームワークを考案し、非常に有意義なシードアライメントを作ることを目指している。
  論文  参考訳（メタデータ） (2021-10-13T03:38:04Z)
• 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)
• Taxonomy of Dual Block-Coordinate Ascent Methods for Discrete Energy Minimization [96.1052289276254]
  離散的グラフィカルモデルにおける最大姿勢推定問題と、二重ブロック座標法に基づく解法について考察する。 既存のすべてのソルバをひとつのフレームワークにマッピングし、設計原則をより深く理解できるようにします。
  論文  参考訳（メタデータ） (2020-04-16T15:49:13Z)

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。