用于无监督知识图谱对齐的简化可学习图卷积注意力网络
人工智能
2025-06-10 v2 机器学习
摘要
当前实体对齐(EA)任务的成功很大程度上取决于由标注数据提供的监督信息。鉴于标注数据的成本，大多数监督方法在实际场景中难以应用。因此，越来越多基于对比学习、主动学习或其他深度学习技术的方法被开发出来，以解决由于缺乏标注数据导致的性能瓶颈。然而，现有的无监督 EA 方法仍存在一些局限性，要么建模复杂度高，要么无法在有效性和实用性之间取得平衡。为克服这些问题，我们提出了一种简化可学习的图卷积注意力网络用于无监督知识图谱对齐方法(SLU)。具体而言，我们首先引入 LCAT 作为 backbone 网络，以建模两个知识图谱的图结构。然后，我们设计了一种基于潜在匹配关系的关系结构重建方法，用于高效过滤对齐实体不有效的邻域信息，以提高 SLU 的可用性和可扩展性。令人印象深刻的是，提出了一种基于一致性的相似性函数，以更好地衡量候选实体对的相似性。最后，我们在大小不同的三个数据集(15K 和 100K)和不同类型(跨语言和单语言)上进行大量实验，以验证 SLU 的优势。实验结果显示，SLU 在对齐准确率方面显著提升，超过 25 个监督或无监督方法，在最佳情况下比最佳基线提高了 6.4% 的 Hits@1。
引用
@article{arxiv.2410.13263,
title = {A Simplifying and Learnable Graph Convolutional Attention Network for Unsupervised Knowledge Graphs Alignment},
author = {Weishan Cai and Wenjun Ma and Yuncheng Jiang},
journal= {arXiv preprint arXiv:2410.13263},
year = {2025}
}
备注
There is more work being done: the author hopes to resubmit the paper to provide better research after more research or further analysis