论文浅尝 | Iterative Cross-Lingual Entity Alignment Based on TransC

最新推荐文章于 2022-05-12 13:14:10 发布
最新推荐文章于 2022-05-12 13:14:10 发布
阅读量500 收藏 2
点赞数
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/TgqDT3gGaMdkHasLZv/article/details/107117855
版权
该论文提出了一种基于TransC的迭代跨语言实体对齐方法，利用本体信息提高对齐性能。通过实例和关系的embedding、参数共享模型以及reinitialization和soft alignment策略，实现知识图谱的精确对齐。实验表明，这种方法在DBpedia的英-法和英-德数据集上优于其他基准方法。
摘要由CSDN通过智能技术生成

论文笔记整理：谭亦鸣，东南大学博士。

来源：IEICE TRANSACTIONS on Information and Systems, 2020, 103(5): 1002-1005.

链接：

https://www.jstage.jst.go.jp/article/transinf/E103.D/5/E103.D_2019DAL0001/_pdf

介绍

这篇论文关注的任务是跨语言实体对齐，目标是将不同语言知识库中具有相同语义的实体相匹配。作者认为不同语言的知识图谱可能具备相同的本体划分，这一点对于实体对齐来说可能起到作用。（在作者的了解范围里，目前还没有实体对齐工作是基于本体信息的，但是多语言知识图谱如DBpedia，是先构建了统一的本体划分，然后再遵循这一划分构建各个语言版本的知识图谱，如下图）

为了验证这一猜测ÿ

最低0.47元/天 解锁文章
开放知识图谱
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
TransC知识表示模型
Python，数据分析，机器学习，深度学习
07-22 720
DifferentiatingConceptsandInstancesforKnowledgeGraphEmbedding》（2018）提出了一种新的区分概念和实例的知识图谱表示学习方法，将上下位关系与普通的关系做了区分，可以很好的解决上下位关系的传递性问题，并且能够表示概念在空间中的层次与包含关系。向量的和就是信息的积累。但实体和关系可能比这更复杂。将这种关系分为四种不同的关系，即（A，Relation,B），A和B之间的关系为B包含于A,二者无关，二者相交，A包含于B。...
实体对齐7.ACL2019：(GMNN)Cross-lingual Knowledge Graph Alignment via Graph Matching Neural Network
Kolunm的博客
11-27 828
关键词：Cross-lingualEA，GCN，GraphMatching 摘要 以往的跨语言知识图对齐研究依赖于仅从单语知识图结构信息中导出的实体嵌入，可能无法匹配在双语知识图中具有不同事实的实体。本文引入了主题实体图，一个实体的局部子图，用它们的上下文信息来表示实体。从这个角度看，知识库对齐任务可以被看作是一个图匹配问题；在此基础上我们提出了基于图注意的解决方案，该方案首先匹配两个主题实体图中的所有实体，然后联合建模局部匹配信息，得到一个图级匹配向量。 介绍 对于跨语言实...
Cross-lingual Entity Alignment via Joint Attribute-Preserving Embedding(基于联合属性保持向量的跨语言实体对齐)
weixin_42628991的博客
08-21 1109
基于联合属性保持向量的跨语言实体对齐1 引言2 相关工作2.1KB Embedding2.2 跨语言知识库对齐3 基于知识库嵌入的跨语言实体对齐3.1 概述3.2 结构向量3.3 属性向量与实体相似度计算属性向量实体相似度计算3.4 联合保持属性的嵌入3.5 讨论结构嵌入的目标函数训练参数复杂性搜索潜在对齐实体 摘要 实体对齐的任务是在两个知识库(KBs)中找到代表相同现实世界对象的实体。在面对不同自然语言的KBs时，传统的跨语言实体对齐方法依靠机器翻译来消除语言障碍。这些方法经常受到不同语言之间翻译
TransC:Differentiating Concepts and Instances for Knowledge Graph Embedding
REfusing的博客
05-12 622
TransC:Differentiating Concepts and Instances for Knowledge Graph Embedding 1 介绍 1.1 问题 作者发现在实现时，对于concept(抽象的概念，如老师 (zhangsan, instance, teacher))和instance(具体的概念，如人物(zhangsan,friendof, lisi), zhangsan 和lisi都是具体的实例)目前现有的模型都没有对其进行区分，为了简化操作通常的处理方式是将二者作为实体不加以
MDG跨实体校验（cross entity validation）读取entity text
u012232542的博客
03-12 510
背景 实现BADI USMD_RULE_SERVICE进行实体合法性校验时，常需要依赖于其他实体的数据 实现原理 check entity方法的输入参数IO_MODEL包含模型运行时信息，调用对应的read_model方法即可 参考代码 data:lr_data type ref to data, lt_messages type usmd_t_message, lt_sel type usmd_ts_sel, ls_sel
Lensless microscope based on iterative in-line holographic reconstruction
02-10
这项研究主要发表在由Yunlong Sheng, Chongxiu Yu, Changhe Zhou编辑的《Holography, Diffractive Optics, and Applications VI》会议论文集中。该技术有潜力与便携式设备集成，如智能手机相机，从而实现在个人健康...
Optimization of iterative PIC-MMSE based detection with symbol mapping
02-08
Optimization of iterative PIC-MMSE based detection with symbol mapping
层次分析matlab代码-Iterative-Learning-Dynamic-Scheduling-Strategy-Based-on-HR
05-23
层次分析 matlab代码 代码使用指导： 平台： python3.6.5 MatlabR2016b Windows7 处理器 CORE i5, ...二道工序.py文件的使用： ...RGV参数列表（移动1、2、3个单位所需的时间，为奇、偶数序号机床上下料所用时间，物料清洗...
A Fourth-Order Iterative Formula Based on Thiele's Continued Fraction for Root-Finding Problems
03-10
在数值分析领域中，求解非线性方程是一个基础且重要的问题。传统的求解方法包括牛顿法（Newton's Method, NM）和Halley法（Halley's Method, HM），分别以二阶和三阶收敛速度闻名。然而，为了更快地收敛到方程的解，...
On-line beam diagnostics based on single-shot beam splitting phase retrieval
02-23
We propose a novel on-line beam diagnostic method based on single-shot beam splitting phase retrieval. The incident beam to be measured is diffracted into many replicas by a Dammann grating and then ...
2020 ICLR Learning Cross-Context Entity Representations from Text 阅读笔记
LQJ
07-20 209
在语言建模任务中，基于局部上下文预测单词或单词块，对于学习单词嵌入和与上下文相关的短语表示非常有效。因为将世界知识编码为机器可读的知识库或人类可读的百科全书这一努力倾向于以实体为中心，所以我们研究了fill-in-the-blank（填空）任务从文本上下文（实体被提及）中学习实体上下文独立的表示。我们证明了对神经模型的大规模训练使我们能够学习高质量的实体表示，并在四个方面证明了结果：（1）现有的实体级类型基准，包括在TypeNet上比之前减少了64％的错误；（2）新的少样本类型重建任务；（3）现有的实体链.
实体对齐汇总
weixin_40485502的博客
05-14 5072
文章目录1.综述2.技术论文3.汇总3.1定义3.2 评价指标3.3 数据集3.4 数据预处理技术3.5 索引3.6 对齐3.6.1 按属性相似度/文本相似度做：成对实体对齐3.6.2 协同对齐：考虑不同实体间的关联3.6.2.1 局部实体对齐3.6.2.2 全局实体对齐3.6.3 基于embedding的方法分类4.开源代码5.效果比较参考文献 1.综述 embedding 方法 A Benchmarking Study of Embedding-based Entity Alignment for K
论文笔记012-024
Slashyouth的博客
02-01 669
论文简记 1. 《Coordinated Reasoning for Cross-Lingual Knowledge Graph Alignment》-012 简介 题目：《Coordinated Reasoning for Cross-Lingual Knowledge Graph Alignment》 来源：AAAI-2020 链接：论文链接 代码：[Code和Dataset] 总结   现有的实体对齐方法主要在编码知识图上选择不同，但他们通常使用类似的解码方法，独立选择每个源实体的局部最优
跨语言学习归纳总结 Cross-Lingual Learning paper summary
Jay_Tang的博客
12-28 1581
往期文章链接目录 文章目录往期文章链接目录Cross-lingual learningCross-lingual resourcesMultilingual distributional representationsEvaluation of multilingual distributional representationsParallel corpusWord AlignmentsMachine TranslationUniversal features (out of fashion)Biling
二Cross-lingual Knowledge Graph Alignment via Graph Matching Neural Network
weixin_44576543的博客
11-12 2336
二、Cross-lingual Knowledge Graph Alignment via Graph Matching Neural Network 摘要：先前的跨语言的知识图谱对齐研究依赖于实体嵌入的思想，，其不能够在两个知识图谱上；此文介绍一种方法，表示其上下文信息的特征实体，主体实体图（局部实体子图），从这个角度来看，知识库的对齐工作可以看做图匹配问题，进一步提出 注意力机制的解决方案 ...
知识表示模型汇总分析--Trans系列
LucyGill的博客
10-28 7638
作者：孙天祥 链接：https://zhuanlan.zhihu.com/p/43436288 来源：知乎 著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。 因为还根据自己的理解补充了点儿内容，就标为原创了。下面是正文：   近年来，以深度学习为代表的表示学习迅速发展，在很多领域都取得了巨大进展。简而言之，表示学习将要描述的对象表示为低维稠密向量，这也被称为分布式表示，从而...
Improving Knowledge Graph Embedding Using Simple Constraints读书笔记
sjh18813050566的专栏
01-25 513
发表于ACL2018 简单加入约束条件提高KGE的效果。本文加入两个条件：非负约束和近似推理约束 非负约束：     记录信息时，仅记录正向信息更高效，“猫是哺乳动物”比“猫不是爬行动物”更高效。表现为实体嵌入表示非负。 近似推理约束：     r1 => r2, 表现为score(e1,r1,e2)<=score(e1, r2, e2).这是绝对推理，近似推理引入置信度，并...
TransRHS: A Representation Learning Method for Knowledge Graphs with RHS-学习笔记
ChanYeol666的博客
10-13 638
TransRHS: A Representation Learning Method for Knowledge Graphs with Relation Hierarchical Structure PPT 一种具有关系层次结构的知识图谱的表示学习方法。 知识表示学习是面向知识图谱中实体（或概念）和关系的表示学习。通过将实体或关系投影到低维稠密向量（嵌入表示），实现对实体和关系的语义信息的表示，高效地计算实体、关系及其之间的复杂语义关联。 RHS 关系层次结构（RHS）由关系之间的名为sub
知识图谱嵌入的Translate模型汇总（TransE，TransH，TransR，TransD）
热门推荐
AI公园
06-11 1万+
点击上方“AI公园”，关注公众号，选择加“星标“或“置顶”作者：Xu LIANG编译：ronghuaiyang导读一文打尽图嵌入Translate模型，各种模型的动机，优缺点分析。本文对...
Quasi-Polynomial Mapping-based Root-Finder
最新发布
03-29
Quasi-polynomial mapping-based root-finder is a numerical method used to find the roots of a given polynomial equation. It is an iterative method that uses a quasi-polynomial mapping function to transform the polynomial equation into a linear equation. The method works by iteratively solving the linear equation until the root of the original polynomial equation is found. The quasi-polynomial mapping function is a polynomial function of two variables that maps the complex plane to itself. The function is defined as follows: f(z) = z^d + a_1(z)z^(d-1) + a_2(z)z^(d-2) + ... + a_d-1(z)z + a_d(z) where d is the degree of the polynomial equation, a_i(z) are polynomial functions of z of degree at most d-i, and z is a complex variable. To use the quasi-polynomial mapping-based root-finder, the following steps are performed: 1. Choose an initial guess for the root of the polynomial equation. 2. Apply the quasi-polynomial mapping function to the initial guess. 3. Solve the resulting linear equation for the new value of the guess. 4. Repeat steps 2 and 3 until the difference between successive guesses is less than a specified tolerance. The quasi-polynomial mapping-based root-finder has the advantage of being able to find multiple roots of a polynomial equation, including roots with multiplicity greater than one. It is also relatively fast and efficient compared to other root-finding methods. However, it may not always converge to the correct root, particularly for polynomial equations with multiple roots that are close together.
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值