.png){kind=icon}
返回
A high-accuracy unsupervised statistical learning method for joint dangling entity detection and entity alignment
.png){kind=icon}
PRE
AI
DOI：10.1016/j.is.2025.102554.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
悬挂实体在知识图谱中很常见，但涉及这些实体的实体对齐研究尚显不足。大多数现有研究利用监督学习下的神经网络方法。然而，这些数据驱动方法存在可解释性差和高计算开销的问题。本文提出了一种不使用神经网络的简单无监督悬挂实体检测与实体对齐方法（SUDA）¹。我们的方法包含三个模块：实体嵌入、悬挂实体检测和实体对齐。尽管当前最先进的简单有效无监督实体对齐方法（SEU）²无法处理悬挂实体，SUDA进一步扩展了它并解决了双向悬挂实体问题。本文给出了方法的理论证明。我们还设计了一种新的邻接矩阵，以融入更丰富的实体关系。随后，我们构建实体相似性离群区间来检测悬挂实体，并在移除它们后通过分配问题进行实体对齐。大量实验表明，我们的方法优于监督和无监督方法。此外，在实体对齐任务中，SUDA相比神经网络方法消耗更少的运行时间，同时保持了高效率、可解释性和稳定性。代码可在https://github.com/skyccong/SUDA.git获取。
Keyword:
Entity alignment
Dangling entity detection
Knowledge graph
Unsupervised learning
Statistical learning
期刊
IF:
3.9
论文数:
2.8K
被引数:
1.8K
机构
引用论文
DBpedia - A large-scale, multilingual knowledge base extracted from WikipediaDBpedia-从维基百科中提取的大规模多语言知识库.png)
SEMANTIC WEB
OAAI
SEMANTIC WEBIF2.9
OAAI分享收藏
A Bayesian approach for comparing cross-validated algorithms on multiple data setsMACHINE LEARNINGOAAI
MACHINE LEARNINGIF2.9
OAAI分享收藏
查看更多内容