知识融合(实体对齐)笔记

本文共1134个字,预计阅读时间需要4分钟。

知识融合包括以下几个部分

本体匹配(ontology matching)

侧重发现模式层等价或相似的类、属性或关系,也成为本体映射(mapping)、本体对齐(alignment)

实体对齐(entity alignment)

侧重发现指称真实世界相同对象的不同实例,也称为实体消解(resolution)、实例匹配(instance matching)

知识融合(knowledge fusion)

一般通过冲突检测、真值发现等技术消解知识图谱融合过程中的冲突,再对知识进行关联与合并,最终形成一个一致的结果


实体对齐

目前在知识融合方面,基于嵌入表示的实体对齐是研究的热点。更多基于嵌入的实体对齐方法可以参考Aminer的文章。

例如:

1. MuGNN[1]

分为两步,①补全缺失的关系来调和结构差异 ②通过pooling技术组合不同通道的输出。

2. RDGCN[2]

通过KG与其对偶关系对应之间的注意力交互来处理关系信息。

3. AliNet[3]

由于相同实体的邻域结构经常是非同构的,综合考虑了邻域和泛邻域的信息。

4. OAG:LinKG[5]

将两个有着上亿级别节点的网络——AMiner和微软学术进行了对齐,这项研究综合利用了LSTM、GNN、哈希等技术,能够高效处理多种类型的节点以及不同类型的信息,并且将对齐效果达到了可以应用的级别(总体F1值96.81)。


知识融合的挑战

1.基于嵌入的深度学习算法结合知识推理(描述逻辑、约束规则)

2.多模态知识图谱融合

3.大规模知识图谱的融合与更新


可用工具


参考

  • [1] Multi-channel graph neural network for entity alignment. ACL, 2019
  • [2] Relation-aware entity alignment for heterogeneous knowledge graphs. IJCAI, 2019
  • [3] Knowledge Graph Alignment Network with Gated Multi-hop Neighborhood Aggregation. AAAI, 2020
  • [4] 南大知识融合PPT
  • [5] OAG: Toward Linking Large-scale Heterogeneous Entity Graphs. KDD 2019

 

评论