实体定位文献阅读
- 1、《A Joint Embedding Method for EntityAlignment of Knowledge Bases》
- 2、《Multilingual Knowledge Graph Embeddings forCross-lingual Knowledge Alignment》
- 3、《Cross-lingual Entity Alignment viaJoint Attribute-Preserving Embedding》
- 4、《Iterative Entity Alignment via Joint Knowledge Embeddings》
- 5、《Bootstrapping Entity Alignment with Knowledge Graph Embedding》
- 6、《Co-training Embeddings of Knowledge Graphs and Entity Descriptions for Cross-lingual Entity Alignment》
- 7、《Non-translational Alignment for Multi-relational Networks》
- 8、《LinkNBed: Multi-Graph Representation Learning with Entity Linkage》
- 9、《Cross-lingual Knowledge Graph Alignment via Graph Convolutional Networks》
- 10、《Entity Alignment between Knowledge Graphs Using Attribute Embeddings》
- 11、《Semi-Supervised Entity Alignment via Knowledge GraphEmbedding with Awareness of Degree Difference》
- 12、《Learning to Exploit Long-term Relational Dependencies in Knowledge Graphs》
- 83、《LightEA: A Scalable, Robust, and Interpretable Entity AlignmentFramework via Three-view Label Propagation》
本文参照文章来源于THU-KEG
相关文章PDF百度网盘资源可点击:链接,提取码为:
1、《A Joint Embedding Method for EntityAlignment of Knowledge Bases》
知识库实体对齐的联合嵌入方法
- 具体步骤:
(1) 提出了一种新的模型,该模型联合学习多个知识库在统一向量空间中的嵌入,仅使用知识库的结构信息来对齐知识库中的实体。
(2) 基于真实的大规模知识库构建了两个用于知识库对齐任务的数据集:FB15K数据集和DBpedia Freebase数据集,它们具有丰富的关系和丰富的结构信息。
(3) 在数据集上进行了实验,实验结果表明我们的方法是有效的。 - 核心思想:
使用简单的策略来生成多个实体对齐,作为种子实体,计算联合嵌入。
- baseline提升原因:
2、《Multilingual Knowledge Graph Embeddings forCross-lingual Knowledge Alignment》
用于跨语言知识对齐的多语言知识图嵌入
- 提出背景可见上文,具体工作如下:
(1)通过在分离的嵌入空间中对每种语言的实体和关系进行编码,MTransE(Multiple TransE)为每种嵌入向量提供了到其他空间中的跨语言对应物的转换,同时保留了单语嵌入的功能。
(2)使用三种不同的技术来表示跨语言转换,即轴校准、平移向量和线性转换,并使用不同的损失函数导出MTransE的五个方差。
(3)探讨了MTransE如何预先提供其单语counter部分TransE的关键属性。 - 数据:
本节将报告三语数据集swk3l的实验结果。WK3l包含DBpedia ’ dbo:Persondomain下的英语(En)、法语(Fr)和德语(De)知识图 - 知识图嵌入:
将实体和关系转化为连续的向量空间,从而简化操作,同时保留KG的原有的结构。那些实体和关系嵌入能进一步应用于各种任务中,如KG补全、关系提取、实体分类和实体解析。
TransE模型:
知识图谱嵌入(KGE):方法和应用的综述
3、《Cross-lingual Entity Alignment viaJoint Attribute-Preserving Embedding》
基于联合属性保留嵌入的跨语言实体对齐(JAPE)
参考文章:
实体对齐1.ISWC 2017:(JAPE)Cross-lingual Entity Alignment via Joint Attribute-Preserving Embedding
- 创新点
将两个KBs联合嵌入在一起,并利用属性嵌入进行改进
创新一:TransE实体与关系三元组的稀疏性,所以将属性值抽象为范围类型。
创新二:考虑了负三元组,减少嵌入中错误的产生
- 如何计算联合属性:
(1)属性嵌入,通过预测上下文学习词嵌入
(2)实体相似度计算
(3)联合属性保留
(4)最终目标函数
4、《Iterative Entity Alignment via Joint Knowledge Embeddings》
基于联合知识嵌入的迭代实体对齐
参考文章:实体对齐2.IJCAI 2017:(IPTransE)Iterative Entity Alignment via Joint Knowledge Embeddings
- 创新点:
提出了一种迭代和参数共享的方法来提高对准性能 - 本文方法:
(1)知识嵌入
利用基于翻译的KRL(Knowledge Representation Learning)学习实体和关系的嵌入。
(2)联合嵌入。根据种子集将不同KG的知识嵌入映射到联合语义空间。
(3)迭代对齐。通过考虑那些在方法中越来越多地发现的高度自信的对齐实体,迭代地对齐实体及其对应实体,并更新联合知识嵌入。
详细操作:
(1)知识嵌入:用PTransE,相当于考虑多路径的TransE
(2)联合嵌入
(3)迭代对齐:找到最近实体进行对齐,硬对齐(对那些新对齐实体应用参数共享规则);软对齐(为每个新对齐实体分配一个可靠性得分)
- 算法优点:
(1)在各种联合嵌入方法中,参数共享模型优于线性变换模型和基于平移的模型。这验证了实体和它们的对应物共享相同的内在知识的事实。
(2)在各种迭代对齐方法中,软对齐模型的性能始终优于硬对齐模型和其他基线。原因是我们之前分析过的硬对齐会受到错误传播的影响。
(3)基于PTransE的方法优于相应的基于TransE的方法
(没太弄懂参数共享,怎么确定谁和谁参数共享?通过对齐,能对齐就直接共享一样的参数?)
5、《Bootstrapping Entity Alignment with Knowledge Graph Embedding》
使用知识图嵌入的引导实体对齐
参考文章:
实体对齐3.IJCAI 2018:(BootEA)Bootstrapping Entity Alignment with Knowledge Graph Embedding
论文简读-BootEA-《Bootstrapping Entity Alignment with Knowledge Graph Embedding》
实体对齐 算法_[2017]Bootstrapping Entity Alignment with Knowledge Graph Embeddin