• 中国精品科技期刊
  • CCF推荐A类中文期刊
  • 计算领域高质量科技期刊T1类
高级检索

基于重排序的迭代式实体对齐

曾维新, 赵翔, 唐九阳, 谭真, 王炜

曾维新, 赵翔, 唐九阳, 谭真, 王炜. 基于重排序的迭代式实体对齐[J]. 计算机研究与发展, 2020, 57(7): 1460-1471. DOI: 10.7544/issn1000-1239.2020.20190643
引用本文: 曾维新, 赵翔, 唐九阳, 谭真, 王炜. 基于重排序的迭代式实体对齐[J]. 计算机研究与发展, 2020, 57(7): 1460-1471. DOI: 10.7544/issn1000-1239.2020.20190643
shu
Zeng Weixin, Zhao Xiang, Tang Jiuyang, Tan Zhen, Wang Wei. Iterative Entity Alignment via Re-Ranking[J]. Journal of Computer Research and Development, 2020, 57(7): 1460-1471. DOI: 10.7544/issn1000-1239.2020.20190643
Citation: Zeng Weixin, Zhao Xiang, Tang Jiuyang, Tan Zhen, Wang Wei. Iterative Entity Alignment via Re-Ranking[J]. Journal of Computer Research and Development, 2020, 57(7): 1460-1471. DOI: 10.7544/issn1000-1239.2020.20190643
shu
曾维新, 赵翔, 唐九阳, 谭真, 王炜. 基于重排序的迭代式实体对齐[J]. 计算机研究与发展, 2020, 57(7): 1460-1471. CSTR: 32373.14.issn1000-1239.2020.20190643
引用本文: 曾维新, 赵翔, 唐九阳, 谭真, 王炜. 基于重排序的迭代式实体对齐[J]. 计算机研究与发展, 2020, 57(7): 1460-1471. CSTR: 32373.14.issn1000-1239.2020.20190643
shu
Zeng Weixin, Zhao Xiang, Tang Jiuyang, Tan Zhen, Wang Wei. Iterative Entity Alignment via Re-Ranking[J]. Journal of Computer Research and Development, 2020, 57(7): 1460-1471. CSTR: 32373.14.issn1000-1239.2020.20190643
Citation: Zeng Weixin, Zhao Xiang, Tang Jiuyang, Tan Zhen, Wang Wei. Iterative Entity Alignment via Re-Ranking[J]. Journal of Computer Research and Development, 2020, 57(7): 1460-1471. CSTR: 32373.14.issn1000-1239.2020.20190643
shu

基于重排序的迭代式实体对齐

  • 1(国防科技大学信息系统工程重点实验室 长沙 410073)

  • 2(地球空间信息技术协同创新中心(武汉大学) 武汉 430079)

  • 3(新南威尔士大学计算机科学与工程学院 澳大利亚悉尼 2052) (zengweixin13@nudt.edu.cn)

基金项目: 国家自然科学基金项目(61872446,61902417,71690233,71971212)；湖南省自然科学基金项目(2019JJ20024)；湖南省研究生科研创新项目(CX20190033)
详细信息

  • 中图分类号: TP391

Iterative Entity Alignment via Re-Ranking

  • 1(Science and Technology on Information Systems Engineering Laboratory, National University of Defense Technology, Changsha 410073)

  • 2(Collaborative Innovation Center of Geospatial Technology (Wuhan University), Wuhan 430079)

  • 3(School of Computer Science and Engineering, The University of New South Wales, Sydney, Australia, 2052)

Funds: This work was supported by the National Natural Science Foundation of China (61872446, 61902417, 71690233, 71971212), the Natural Science Foundation of Hunan Province of China (2019JJ20024), and the Postgraduate Scientific Research Innovation Project of Hunan Province (CX20190033).

摘要

    摘要
  • 摘要: 现有的知识图谱无法避免地存在不完整这一问题.缓解此问题的可行方法是引入外部知识图谱中的知识.在此过程中，实体对齐是最关键的步骤.当前最先进的实体对齐解决方案主要依靠知识图谱的结构信息来判断实体的等价性，但在真实世界知识图谱上，大部分实体只具有较低的节点度数以及微少的结构信息.此外，标注数据的缺乏也大大限制了实体对齐模型的效果.为解决上述问题，提出将不受节点度数影响的实体名信息与结构信息相结合，从更全面的角度实现实体对齐.在此基本框架上，利用基于课程学习的迭代训练方法从易至难地选择高置信度结果加入到训练数据中，扩增标注数据的规模.最后使用词移距离模型进一步改进实体名信息的利用方式，并对前序对齐结果重排序，提升实体对齐准确率.在跨语言以及单语言实体对齐任务上的实验结果表明，提出的实体对齐方法性能远好于当前最好的方法.
    Abstract: Existing knowledge graphs (KGs) inevitably suffer from the problem of incompleteness. One feasible approach to tackle this issue is by introducing knowledge from other KGs. During the process of knowledge integration, entity alignment (EA), which aims to find equivalent entities in different KGs, is the most crucial step, as entities are the pivots that connect heterogeneous KGs. State-of-the-art EA solutions mainly rely on KG structure information for judging the equivalence of entities, whereas most entities in real-life KGs are in low degrees and contain limited structural information. Additionally, the lack of supervision signals also constrains the effectiveness of EA models. In order to tackle aforementioned issues, we propose to combine entity name information, which is not affected by entity degree, with structural information, to convey more comprehensive signals for aligning entities. Upon this basic EA framework, we further devise a curriculum learning based iterative training strategy to increase the scale of labelled data with confident EA pairs selected from the results of each round. Moreover, we exploit word mover’s distance model to optimize the utilization of entity name information and re-rank alignment results, which in turn boosts the accuracy of EA. We evaluate our proposal on both cross-lingual and mono-lingual EA tasks against strong existing methods, and the experimental results reveal that our solution outperforms the state-of-the-arts by a large margin.
    • HTML全文
    • 参考文献(0)
    • 相关文章
    • 施引文献(27)

  • 期刊类型引用(14)

    1. 暴琳，朱志宇，孙晓燕，徐标. 面向多源异构数据的个性化搜索和推荐算法综述. 控制理论与应用. 2024(02): 189-209 . 百度学术
    2. 王一博，张鹏翼. 基于LDA模型的国内用户画像研究主题及演化分析. 情报探索. 2024(02): 99-105 . 百度学术
    3. 韩永印，王侠，王志晓. 基于决策树的社交网络隐式用户行为数据挖掘方法. 沈阳工业大学学报. 2024(03): 312-317 . 百度学术
    4. 黄玲，黄镇伟，黄梓源，关灿荣，高月芳，王昌栋. 图卷积宽度跨域推荐系统. 计算机研究与发展. 2024(07): 1713-1729 . 本站查看
    5. 廖彬，张陶，于炯，李敏. NLGAE:一种基于改进网络结构及损失函数的图自编码器节点分类模型. 计算机科学. 2024(10): 234-246 . 百度学术
    6. 刘树越 ，于亚新 ，吴晓露 ，夏子芳 ，王子腾 . 自注意力下时空-语义相融合的POI序列推荐. 小型微型计算机系统. 2023(03): 456-462 . 百度学术
    7. 章育涛，黎英，杨雅莉. 社交网站图像分析研究综述. 信息技术与信息化. 2023(08): 114-121 . 百度学术
    8. 秦鹏，贾洪杰，霍兴瀛，邓朝艳. 融合大数据挖掘的用户个性化POI推荐方法. 计算机仿真. 2022(06): 355-358+385 . 百度学术
    9. 郑捷，杨兴耀，于炯，李想. 基于人工蜂群的移动终端大数据半监督推荐. 计算机仿真. 2022(07): 497-501 . 百度学术
    10. 李梁森，杨德宏，翟文龙，李刘飞，高励. 基于微博数据的云南省地理情感及主题特征研究. 城市勘测. 2022(04): 12-16 . 百度学术
    11. 赵凯华，徐建民，鲍彩倩. 一个基于信念网络的微博推荐模型. 河北大学学报(自然科学版). 2022(04): 438-448 . 百度学术
    12. 王小青，苏锋，蔡传根. 基于数据挖掘技术的影视智能推荐算法. 现代电子技术. 2021(11): 98-101 . 百度学术
    13. 周炫余，刘林，陈圆圆，洪嘉玲，卢笑. 基于多模态数据融合的大学生心理健康自动评估模型设计与应用研究. 电化教育研究. 2021(08): 72-78 . 百度学术
    14. 刘凯阳，姜峰，王辉. 航天话题公众关注热点和情感分析. 科技传播. 2021(19): 31-34 . 百度学术

    其他类型引用(13)

    • 资源附件(0)
计量
  • 文章访问数: 
  • HTML全文浏览量:  0
  • PDF下载量: 
  • 被引次数: 27
出版历程
  • 发布日期:  2020-06-30

目录

摘要
HTML全文
    参考文献(0)
    相关文章
    施引文献(27)
    资源附件(0)

    /

    返回文章
    返回
    邮件订阅 RSS
    微信订阅号<br/>（实时资讯）

    微信订阅号
    （实时资讯）

    微信服务号<br/>（同步网站）

    微信服务号
    （同步网站）

    微信视频号<br/>（视频分享）

    微信视频号
    （视频分享）

    CCF<br/>（扫码入会）

    CCF
    （扫码入会）

    版权所有 © 《计算机研究与发展》编辑部

    本系统由北京仁和汇智信息技术有限公司开发  百度统计