Iterative Entity Alignment via Knowledge Embeddings

2023-12-13 08:38:15

Iterative Entity Alignment via Knowledge Embeddings

Tags: Entity Alignment
Authors: Hao Zhou, Maosong Sun, Ruobing Xie, Zhiyuan Liu
Created Date: December 6, 2023 3:39 PM
Finished Date: 2023/12/07
Status: Reading
organization: Jiangsu Normal University, Tsinghua University
publisher : IJCAI
year: 2017
code: https://github.com/thunlp/IEAJKE

介绍

本文的任务是实体对齐，目的是将两个知识图谱的实体和关系进行对齐（假设范围相同）。

之前的方法往往依赖于实体的外部知识库，比如维基百科，因此需要花费大量的资源来手动构造特征以完成对齐。

本文提出了一个基于联合知识嵌入的方法。根据少量的已对齐实体，将不同知识图谱的实体和关系编码到同一个低纬度语义空间。

方法

流程主要包括三部分：1）知识嵌入，2）联合嵌入，3）迭代对齐

1）知识嵌入：使用KGE的方法TransE和PTransE来学习嵌入

2）联合嵌入：

学习一个特殊嵌入作为知识图谱的迁移特征

Translation-based Model

在这里插入图片描述

Linear Transformation Model

在这里插入图片描述

Parameter Sharing Model
在这里插入图片描述

文章中最终采用的是Parameter Sharing Model这种方式，因为其简单高效。

3）迭代对齐

前两个步骤，可以将不同知识图谱的实体映射到同一个语义空间。

作者提出了两个对齐方式

Hard Alignment

在这里插入图片描述
在这里插入图片描述

直接计算两个实体的距离，然后使用一个阈值判断是否为同一个实体

但这个方法不太灵活，因此作者还提出了Soft Alignment

Soft Alignment
在这里插入图片描述

在这里插入图片描述

其中R(e1, e2)表示是同一个实体的可信度

U表示三元组的损失函数

H(e1, e2)表示两个实体替换的可能性（将两个实体替换并计算周边损失，越小越可能）

IS表示Soft Alignment的最终得分，同时也是一个损失函数

最后会把IS和阈值做对比，小于阈值就预测为相同实体

整体损失

在这里插入图片描述

K为知识嵌入损失，J为联合嵌入损失，I为对齐损失

需要注意的是，如果联合嵌入使用 Parameter Sharing Model方式，则J恒等于0；如果迭代对齐使用 Hard Alignment 的方式，则I恒等于0。

实验

在这里插入图片描述

文章来源:https://blog.csdn.net/qq_42464569/article/details/134850166
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。