摘要：多模态数据间交互式任务的兴起对于综合利用不同模态的知识提出了更高的要求,因此融合不同模态知识的多模态知识图谱应运而生.然而,现有多模态知识图谱存在图谱知识不完整的问题,严重阻碍对信息的有效利用.缓解此问题的有效方法是通过实体对齐进行知识图谱补全.当前多模态实体对齐方法以固定权重融合多种模态信息,在融合过程中忽略不同模态信息贡献的差异性.为解决上述问题,设计一套自适应特征融合机制,根据不同模态数据质量动态融合实体结构信息和视觉信息.此外,考虑到视觉信息质量不高、知识图谱之间的结构差异也影响实体对齐的效果,本文分别设计提升视觉信息有效利用率的视觉特征处理模块以及缓和结构差异性的三元组筛选模块.在多模态实体对齐任务上的实验结果表明,提出的多模态实体对齐方法的性能优于当前最好的方法.

摘要：实体对齐是知识融合最重要的步骤之一,在知识图谱构建和融合过程中,往往存在结构不相似、实体表述不够准确,甚至知识缺失的问题。针对以上问题,提出一种基于属性增强和关系感知的图卷积实体对齐方法,结合实体和关系之间的内在联系,通过实体可以推导出关系,通过关系可以表示实体,利用实体的属性增强实体表示,增强实体对齐的效果,设计一种迭代策略,迭代增强关系和实体结合后的实体对齐效果。在通用数据集上进行的大量实验结果表明,相对于原有基于实体嵌入的方法,所提方法具有更高的有效性和对齐率。

摘要：针对知识图谱实体对齐任务中缺乏训练数据以及长尾实体对齐准确率较低的问题,提出一种基于自适应特征融合策略的迭代实体对齐方法,并设计一种迭代策略自动扩充训练数据的规模.该方法使用知识图谱的结构信息,并利用关系、属性和实体名称信息作为语义信息辅助对齐,从而提升对齐效果.在数据集上的实验结果表明,该模型在知识图谱实体对齐任务中效果良好.

摘要：实体对齐是知识融合的一个重要步骤,其目的在于识别不同知识图谱中的等价实体。为准确判断出对等的实体,现有方法首先进行表示学习,将实体映射到低维向量空间中,接着通过向量间的相似度推断实体的等价性。而近期实体对齐的相关工作也大都聚焦于表示学习方法的改进上。为了能够更好地理解这些模型的机理,挖掘有价值的设计思路,并为后续的优化改进工作提供参考,对实体对齐表示学习方法进行了研究综述。首先基于现有方法,提出了一个通用的表示学习框架,并用该框架对几个具有代表性的工作进行了归纳概括以及分析解构。接着通过实验对这些工作进行了对比分析,并对框架中各个模块的常见方法进行了比较。根据实验结果,总结了各种方法的优劣,并提出了使用建议。最后初步讨论了大规模语言模型与知识图谱对齐融合的可行性,并分析了存在的问题以及潜在的挑战。

摘要：多模态数据间交互式任务的出现对综合利用不同模态的知识提出了较高的要求,因此多模态知识图谱应运而生。在多模态知识图谱的构建过程中图像与文本实体是否指代同一对象尤为重要,这要求对中文跨模态实体进行实体对齐。针对该问题,提出一种基于多模态知识图谱的中文跨模态实体对齐方法。将图像信息引入实体对齐任务,面向领域细粒度图像和中文文本,设计单双流交互预训练语言模型(CCMEA)。基于自监督学习方法,利用视觉和文本编码器提取视觉和文本特征,并通过交叉编码器进行精细建模,最终采用对比学习方法计算图像和文本实体的匹配度。实验结果表明,在MUGE和Flickr30k-CN数据集上,CCMEA模型的平均召回率(MR)相比于WukongViT-B基线模型分别提升了3.20和11.96个百分点,并在自建的TEXTILE数据集上MR达到94.3%。上述实验结果证明了该方法可以有效对齐中文跨模态实体,并且具有较高的准确性和实用性。

摘要：针对在实体对齐任务中,由于缺少噪音实体对的标记,导致对齐准确率不高的问题,提出采用健壮性实体对齐(Robust Entity Alignment,REA)方法,设计了噪声感知实体对齐模块和噪声检测模块.首先,噪声感知实体对齐模块是基于图卷积神经网络(Graph Convolutional Networks,GCN)的知识图编码器,将知识图谱中的实体对更新嵌入;然后,基于生成对抗网络(Generative Adversarial Networks,GAN)设计了噪声生成器和噪声鉴别器,从而将实体对中的噪音实体对区分出来;最后,通过一种交互的强化训练策略,迭代使噪声感知和实体对齐相结合.实验结果表明,在DBP15K数据集上测试,新方法能有效提高在涉及噪音情况下的实体对齐精准度,与GCN-Align和IPTransE这些基准嵌入模型相比,Hits@1、Hits@5、MRR3个评价指标上均有较大的提升.

摘要：实体对齐是知识融合中的关键步骤,用于解决多源知识图谱中实体冗余、指代不明等问题。目前,大多数的实体对齐方法主要依赖于邻域网络,而忽略了关系间的连通以及属性信息,导致模型无法捕捉到复杂关系,额外信息也没有被充分利用。针对上述问题,提出一种迭代式关系图匹配和属性语义嵌入的实体对齐方法,将〈头实体,关系,尾实体〉进行转置,生成〈头关系,实体,尾关系〉构建,与实体图相对应的关系图,接着利用注意力机制编码实体和关系表示,二者通过相互迭代,能够更好地表示实体,再融合属性表示最终判定两个实体是否对齐。实验结果表明,本模型在DBP15K 3个跨语言数据集中显著优于其他6种方法,相比于最好方法Hit@1指标提升了4%,证明了关系匹配和属性语义的有效性。

摘要：针对当前实体对齐方法无法充分利用知识图谱实体的多种信息和缺乏先验对齐种子对限制实体对齐效果的问题,提出一种基于多信息图注意力网络的双向迭代实体对齐模型。使用具有高速公路网络机制的图注意力网络,充分利用实体的多种信息获得实体的嵌入表示,提出一种双向迭代策略,设置阈值筛选高置信度实体对加入训练集中,达到扩展先验对齐种子对的目的。在3个跨语言实体对齐数据集上进行的实验结果表明,该模型有效提高了评估指标Hits@1,Hits@10的性能。

摘要：针对多源异构知识图谱数据融合中的实体对齐问题,本文面向行业电商领域电商平台真实数据,提出了一种基于领域知识的集合相似度实体对齐算法。首先,基于领域知识针对性设计数据预处理技术,如实体属性值原子化、统一术语和去除冗余等,以规范化电商底层多源异构数据、提升数据处理效率和准确性;然后,以行业电商知识图谱应用为导向,筛选实体对生成高质量候选集,优化集合相似度测量和实体对排序方法,实现实体对的高效匹配。实验结果表明,本文算法可有效提高多源异构数据融合的准确率,大幅减少人工干预,可为行业电商发展提供新思路。

摘要：实体对齐表示在不同的知识图谱中查找引用相同现实身份的实体。目前主流的基于图嵌入的实体对齐方法中的对齐实体通常具有相似的属性,有效利用属性信息可提升实体对齐效果,同时由于不同知识图谱之间的知识分布差异,仅考虑单个方向的对齐预测会导致预测结果出现偏差。针对上述问题,提出一种改进的跨语言实体对齐方法。利用融合属性信息的双向对齐图卷积网络模型,将前馈神经网络编码实体对应的属性信息与初始的实体嵌入相结合,得到联合属性信息的实体表示,并使用双向对齐机制实现跨语言的实体对齐预测。在3个跨语言数据集上的实验结果表明,该方法通过融合更多的知识图谱信息增强了实体表示能力,并且利用双向对齐机制缓解了数据分布差异问题,相比基于图嵌入的实体对齐方法整体性能更优。