SelfKG：知识图谱中的自监督实体对齐
机器学习
2022-03-03 v1 计算与语言
摘要
实体对齐旨在识别不同知识图谱 (KG) 中的等价实体，是构建网络规模 KG 的基础问题。在其发展过程中，标签监督被认为是实现精确对齐的必要条件。受自监督学习最新进展的启发，我们探索了在实体对齐中摆脱监督的程度。通常，标签信息（正实体对）用于监督将每个正对中的对齐实体拉近的过程。然而，我们的理论分析表明，实体对齐的学习实际上可能更多地从将未标记的负对推远中受益，而非将标记的正对拉近。通过利用这一发现，我们为实体对齐开发了自监督学习目标。我们提出了 SelfKG，并采用高效策略来优化此目标，以在无标签监督的情况下对齐实体。在基准数据集上的大量实验表明，无监督的 SelfKG 可以达到或取得与最先进的有监督基线相当的结果。SelfKG 的性能表明，自监督学习为 KG 中的实体对齐提供了巨大潜力。代码和数据可在 https://github.com/THUDM/SelfKG 获取。
引用
@article{arxiv.2203.01044,
title = {SelfKG: Self-Supervised Entity Alignment in Knowledge Graphs},
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:2203.01044},
year = {2022}
}
备注
Proceedings of the Web Conference 2022