MNS-EA: A Mixed Negative Sampling-Based Entity Alignment Model

doi:10.1007/978-981-95-5719-6_20

2026-01-01

PRE

DOI：10.1007/978-981-95-5719-6_20

原文链接

原文求助

摘要

En 中文

实体对齐是识别和连接不同数据集或知识库中指代同一现实世界对象的实体（如人物、组织或地点）的过程。大多数实体对齐方法在整合多跳邻域信息时会产生噪声，且忽视了涉及负实体对的交互，导致对齐性能次优。为解决这些局限性，我们提出了基于混合负采样的实体对齐模型（MNS-EA）。该模型首先通过多语言训练将实体嵌入统一向量空间，随后采用单层网络整合一跳邻域信息，并通过混合负采样算法构造负样本以缓解信息匮乏下的错误匹配。在三个DBP15K子集（zh_en、ja_en、fr_en）上的对比实验表明，所提出的模型显著提升了对齐精度。在fr_en数据集上，所提出的模型在指标上表现出尤为显著的改进：Hits@1相较于次优模型HGCN实现了5.1%的绝对提升，而Hits@10则超越了第二佳基线RNM 3.3%。此外，在DWY100K数据集上进行的全面实验系统验证了本框架各组件的有效性及其跨数据集泛化能力。

Keyword:

Knowledge Graph

Entity Alignment

Negative Samples

Mixed Negative Sampling

Multilingual Training