.png){kind=icon}
返回
Learnable Convolutional Attention Network for Unsupervised Knowledge Graph Entity Alignment
.png){kind=icon}
OA
AI
DOI：10.3390/e27090924.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
当前实体对齐（EA）任务的成功在很大程度上依赖于标注数据提供的监督信息。考虑到标注数据的成本，大多数监督方法在实际场景中应用具有挑战性。因此，基于对比学习、主动学习或其他深度学习技术的相关工作不断涌现，旨在解决由标注数据缺乏导致的性能瓶颈。然而，现有的无监督EA方法仍存在一定局限性；要么其建模复杂度高，要么未能平衡对齐的有效性与实用性。为克服这些问题，我们提出了一种用于无监督实体对齐的可学习卷积注意力网络，命名为LCA-UEA。具体而言，LCA-UEA在注意力机制前执行卷积操作，确保获取结构信息并避免冗余信息的叠加。随后，为高效过滤对齐实体的无效邻域信息，LCA-UEA基于潜在匹配关系设计了一种关系结构重构方法，从而提升EA方法的可实用性与可扩展性。值得注意的是，提出了一种基于一致性的相似度函数，以更优地衡量候选实体对的相似度。最后，我们在三个不同规模与类型（跨语言和单语言）的数据集上进行了广泛实验，以验证LCA-UEA的优越性。实验结果表明，LCA-UEA显著提升了对齐精度，优于25种监督或无监督方法，并在最佳情况下将Hits@1指标较最佳基线提升了6.4%。
Keyword:
entity alignment
Knowledge Graphs
contrastive learning
learnable convolutional network
unsupervised learning
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
2
论文数:
956
被引数:
2.4W
机构
暂无机构信息
引用论文
Multi-view knowledge graph fusion via knowledge-aware attentional graph neural network.png)
APPLIED INTELLIGENCE
APPLIED INTELLIGENCEIF3.5
PREAI
分享收藏
查看更多内容