.png){kind=icon}
返回
GLIDE: Knowledge Graph Linking Using Distance-Aware Embeddings
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-09527-5_9.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
网络上数据集的数量持续增长。然而，如果不找到这些数据集中实体之间的关联，其中包含的知识就无法得到充分利用。由于不同数据提供者的来源和命名方案不同，仅通过检查IRIs的等价性无法识别等效实体。但可以通过计算其属性的相似度来发现这种等价性。本文提出GLIDE方法，通过嵌入一个由额外关系描述文字相似性的联合模型，将两个不同数据集中的实体进行关联。该联合模型被嵌入到一个潜在向量空间中，同时注意并列相似文字。我们使用链接发现文献中常用的真实数据集，将该方法与最先进的算法进行比较评估。结果表明，GLIDE在7个数据集中的5个上达到了完美或近乎完美的准确率，优于所有基线方法。我们的方法在具有多个相似文字的数据集上表现最佳。实验表明，研究人员在进行知识图谱嵌入时，不仅应关注相等的文字，还应关注相似文字之间的距离。
Keyword:
Knowledge graphs
Data Integration
Linked Data
Similarity Measures
Literal Matching
期刊
S
IF:
0
论文数:
30
被引数:
0
机构
引用论文
Challenges, Techniques, and Trends of Simple Knowledge Graph Question Answering: A Survey.png)
Information
OAAI
InformationIF0
OAAI分享收藏
分享收藏
查看更多内容