.png){kind=icon}
返回
DeepIDDFS: efficient entity resolution with hybrid embeddings
.png){kind=icon}
PRE
AI
DOI：10.1007/s10115-026-02847-6.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
实体解析（ER）在大规模图数据库中是大数据集成的一个核心挑战，其中海量、异构且持续演变的数据库集必须高效地得到协调。现有的ER方法通常仅捕获问题的孤立方面—结构、语义或时间—限制了其在真实世界、高流量环境中的有效性。本文介绍了DeepIDDFS，一种针对大型动态图中的ER的可扩展节点嵌入方法。DeepIDDFS采用迭代深化深度优先搜索（IDDFS）来高效探索多跳邻域，整合基于BERT的语义嵌入以处理嘈杂和不一致的属性，并融入一个时间感知的聚合机制，强调近期交互以更好地建模演变的图结构。在广泛使用的ER基准测试上进行的广泛实验—包括DBLP-Scholar、Amazon-Google等—表明DeepIDDFS达到了最先进的表现，达到F-measure为0.94和AUCPR为0.95，同时能够扩展到一百万个节点，在多个领域中的运行时间增长接近线性。消融研究证实了每个组件的必要性：移除语义特征会导致AUCPR最多下降18%和F-measure最多下降15%；移除结构特征会导致AUCPR最多下降5%和F-measure最多下降6%；移除时间加权会导致两项指标均最多下降2–3%。这些结果证实DeepIDDFS为异构、动态大数据环境中的实体解析提供了稳健的解决方案。
Keyword:
Entity resolution
Node embedding
Iterative deepening depth-first search traversal
BERT-based semantic embedding
Dynamic graphs
期刊
IF:
3.1
论文数:
557
被引数:
5.2K
机构
引用论文
Contextual semantics graph attention network model for entity resolution基于上下文语义图注意力网络模型的实体解析.png)
Scientific Reports
OAAI
Scientific ReportsIF3.9
OAAI分享收藏Adaptive Modality Interaction Transformer for Multimodal Knowledge Graph Completion自适应模态交互Transformer用于多模态知识图谱补全
PREAI
分享收藏
查看更多内容