一种用于实体对齐的自监督方法
计算与语言
2021-08-26 v2 信息检索
机器学习
摘要
实体对齐旨在识别不同知识图谱(KGs)中的等价实体,是构建大规模知识图谱的基础问题。在其发展过程中,监督一直被认为是精确对齐所必需的。受近期自监督学习进展的启发,我们探究了在多大程度上可以摆脱监督来进行实体对齐。该任务现有的监督方法侧重于将每对正(已标注)实体相互拉近。然而,我们的分析表明,实体对齐的学习实际上从将采样的(未标注)负例推远中获益更多,而非将正对齐对拉近。我们利用这一发现设计了跨两个知识图谱的对比学习策略,提出了 SelfKG。在基准数据集上的大量实验表明,无监督的 SelfKG 可以匹配或取得与最先进的监督基线相当的结果。SelfKG 的性能表明自监督学习为知识图谱中的实体对齐提供了巨大潜力。
引用
@article{arxiv.2106.09395,
title = {A Self-supervised Method for Entity Alignment},
author = {Xiao Liu and Haoyun Hong and Xinghao Wang and Zeyi Chen and Evgeny Kharlamov and Yuxiao Dong and Jie Tang},
journal= {arXiv preprint arXiv:2106.09395},
year = {2021}
}
备注
For further update, modification and certificate application