ActiveEA：面向神经实体对齐的主动学习
计算与语言
2021-10-14 v1 人工智能
摘要
实体对齐（EA）旨在跨不同知识图谱（KG）匹配等价实体，是知识图谱融合的关键步骤。当前主流方法——神经 EA 模型——依赖于使用种子对齐进行训练，即一组预对齐的实体对，其标注成本极高。本文中，我们设计了一种新颖的面向神经 EA 的主动学习（AL）框架，旨在构建信息量高的种子对齐，以更低的标注成本获得更有效的 EA 模型。我们的框架解决了将 AL 应用于 EA 时所遇到的两个主要挑战：（1）如何在 AL 策略中利用实体间的依赖关系。多数 AL 策略假设待采样的数据实例独立同分布。然而，知识图谱中的实体是相互关联的。为应对此挑战，我们提出了一种结构感知的不确定性采样策略，能够度量每个实体的不确定性及其对知识图谱中邻居实体的影响。（2）如何识别出现在一个知识图谱但未出现在另一个知识图谱中的实体（即 bachelor）。识别 bachelor 可能节省标注预算。为应对此挑战，我们设计了一个 bachelor 识别器，注重缓解采样偏差的影响。实验结果表明，我们提出的 AL 策略能显著提升采样质量，并在不同数据集、EA 模型及 bachelor 数量下具有良好的通用性。
引用
@article{arxiv.2110.06474,
title = {ActiveEA: Active Learning for Neural Entity Alignment},
author = {Bing Liu and Harrisen Scells and Guido Zuccon and Wen Hua and Genghong Zhao},
journal= {arXiv preprint arXiv:2110.06474},
year = {2021}
}