.png){kind=icon}
返回
Beyond alignment: Discovering cross-graph triples for knowledge graph integration
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2026.116572.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
知识图谱（KGs）固有的不完整性显著限制了其在人工智能应用中的潜力。虽然整合多个知识图谱是增强知识覆盖范围的有前景的解决方案，但现有方法主要依赖于识别属于不同知识图谱的对齐实体来进行整合。考虑到知识图谱能够通过其多样的关系链接包含丰富的语义信息，过度依赖实体间的对齐链接无法捕获不同知识图谱之间的多关系结构依赖。为解决这些局限性，本文提出了一种新颖的嵌入方法，用于发现跨图谱的三元组，这些三元组反映了知识图谱之间的复杂语义交互，以实现全面的整合。具体而言，我们设计了一个跨知识图谱的结构编码器，能够利用图内和图间消息传递来获得实体的一致嵌入。这些嵌入用于测量每对实体的对齐置信度，生成伪对齐候选。在此基础上，构建跨图谱三元组，随后采用熵引导选择策略，在每个训练轮次中保留高置信度的可用三元组。最后，我们提出了一种结合对比学习的联合训练损失，以利用增强的结构信息优化嵌入。在为跨图谱三元组预测任务设计的四个基准数据集上进行了广泛实验，结果表明我们的方法显著优于基线方法。
Keyword:
Knowledge graph integration
Knowledge graph embedding
Entity alignment
Link prediction
期刊
K
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
引用论文
暂无论文信息