面向本体匹配的上下文结构化自监督学习
机器学习
2023-10-09 v1 人工智能
计算与语言
摘要
本体匹配（OM）旨在识别两个或多个知识图谱（KGs）中概念之间的语义关系，是集成来自不同来源的 KGs 的关键步骤。深度 OM 模型的最新进展已利用基于 transformer 的语言模型的力量以及知识图谱嵌入的优势。然而，这些 OM 模型仍面临持续的挑战，例如缺乏参考对齐、运行时延迟，以及在端到端框架内未被探索的不同图结构。在本研究中，我们引入一种以输入本体为条件的新型自监督学习 OM 框架，称为 LaKERMap。该框架通过将隐式知识整合进 transformers，利用概念的上下文与结构信息。具体而言，我们旨在通过采用不同的训练目标来捕获多种结构上下文，涵盖局部与全局交互。为评估我们的方法，我们使用 Bio-ML 数据集与任务。我们创新方法的结果表明，LaKERMap 在对齐质量与推理时间方面均超越最先进系统。我们的模型与代码可在此处获取：https://github.com/ellenzhuwang/lakermap。
引用
@article{arxiv.2310.03840,
title = {Contextualized Structural Self-supervised Learning for Ontology Matching},
author = {Zhu Wang},
journal= {arXiv preprint arXiv:2310.03840},
year = {2023}
}