论文浅尝 - ACL2020 | 用于实体对齐的邻居匹配网络

本文提出了一种名为Neighborhood Match Network (NMN)的方法,用于处理图谱间的实体对齐挑战。NMN通过图采样和邻居匹配模型,有效地捕捉实体对的邻居差异,提高对齐性能。实验表明,NMN在DBP15K,DWY100K和S-DBP15K数据集上超越了12种现有方法。
摘要由CSDN通过智能技术生成

笔记整理 | 谭亦鸣,东南大学博士


来源:ACL 20

链接:https://www.aclweb.org/anthology/2020.acl-main.578.pdf

1.介绍

图谱之间的异构差异是建立实体对齐的一个主要挑战,本文提出了Neighborhood Match Network (NMN),用于处理上述挑战。NMN的主要创新在于:

i.使用一个图采样方法(neighborhood sample)为每个实体提取一个不同的邻居;

ii.建立跨图邻居匹配模型对给定实体对的邻居差异进行联合编码。这种策略使得NMN能够有效的建立面匹配的实体表示,而忽略具有负面影响的噪声邻居。作者在DBP15K,DWY100K以及S-DBP15K等三个数据集上进行了充分实验,证明NMN能够在更困难的情况下评估邻居相似性,相对已有的12种方法也展现出更优的性能。

2.模型/方法

首先给出一些基本定义:

G表示一个KG

G = (E,R,T), E,R,T分别表示实体集,关系集,三元组集

方法用于构建两个KG之间的实体对齐,即G1和G2

任务的最终目的是获取G1与G2之间的等价实体pair

在真实KG之间,邻居异构以及通用噪声邻居的存在,使得对齐模型难以从中捕捉到有效的信息。为了解决这个问题,NMN首先使用GCN对邻居的拓扑信息进行建模,然后使用neighborhood sample选择更具价值的邻居,接着通过跨图匹配模型捕捉邻居差异。

图2给出了本文模型的主要框架流程:

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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