.png){kind=icon}
返回
Neighborhood-aware entity alignment for temporal knowledge graph
.png){kind=icon}
PRE
AI
DOI：10.1007/s13042-025-02650-9.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
实体对齐（EA）对于知识图谱集成至关重要，因为它专注于匹配来自不同知识图谱的等效实体，以建立统一、集成的知识图谱。时序知识图谱（TKGs）通过纳入时间信息增强了静态知识图谱，在研究界引起了越来越多的关注。近期关于TKGs的研究表明，时间信息显著提升了EA的性能。然而，现有的TKGs研究方法往往忽视了邻居信息对EA的不同程度的影响。我们提出了一种新颖的方法，即时序邻居感知实体对齐（TNEA），该方法有效地结合了来自各种时序知识图谱（TKGs）的对齐实体的结构、属性和时间信息。与现有方法不同，TNEA在关系和属性特征上引入了注意力系数，使其能够表示和理解不同信息源对实体对齐的贡献重要性。为处理TKG中的属性信息和时间信息，我们使用多语言BERT模型进行属性数据编码，并使用LSTM模型进行时间相关数据编码。同时，采用图注意力网络（GAT）来融合TKGs的结构和属性信息。我们在时间相关数据集上进行了系列测试以验证我们方法的有效性。结果表明，TNEA超越了当前的方法。
Keyword:
BERT
Entity alignment
Graph neural network
Temporal knowledge graph
期刊
IF:
2.7
论文数:
3.2K
被引数:
5.6K
机构
引用论文
SDDA: A progressive self-distillation with decoupled alignment for multimodal image–text classificationSDDA：一种用于多模态图像-文本分类的渐进式解耦对齐自蒸馏方法
PREAI
分享收藏Fuzzy entity alignment via knowledge embedding with awareness of uncertainty measure具有不确定性度量意识的知识嵌入模糊实体对齐.png)
NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏
查看更多内容