知識融合（實體對齊）筆記

本文共1132個字，預計閱讀時間需要4分鐘。

知識融合

本體匹配（ontology matching）

側重發現模式層等價或相似的類、屬性或關係，也成爲本體映射（mapping）、本體對齊（alignment）

實體對齊（entity alignment）

側重發現指稱真實世界相同對象的不同實例，也稱爲實體消解（resolution）、實例匹配（instance matching）

知識融合（knowledge fusion）

一般通過沖突檢測、真值發現等技術消解知識圖譜融合過程中的衝突，再對知識進行關聯與合併，最終形成一個一致的結果

實體對齊

目前在知識融合方面，基於嵌入表示的實體對齊是研究的熱點。更多基於嵌入的實體對齊方法可以參考Aminer的文章。

例如：

1. MuGNN[1]：分爲兩步，①補全缺失的關係來調和結構差異 ②通過pooling技術組合不同通道的輸出。

2. RDGCN[2]：通過KG與其對偶關係對應之間的注意力交互來處理關係信息。

3. AliNet[3]：由於相同實體的鄰域結構經常是非同構的，綜合考慮了鄰域和泛鄰域的信息。

4. OAG:LinKG[5]：將兩個有着上億級別節點的網絡——AMiner和微軟學術進行了對齊，這項研究綜合利用了LSTM、GNN、哈希等技術，能夠高效處理多種類型的節點以及不同類型的信息，並且將對齊效果達到了可以應用的級別（總體F1值96.81）。

知識融合的挑戰

1.基於嵌入的深度學習算法結合知識推理（描述邏輯、約束規則）

2.多模態知識圖譜融合

3.大規模知識圖譜的融合與更新

可用工具

• 實體對齊的前沿算法的開源實現：https://github.com/nju-websoft/OpenEA/
• 本體對齊—Falcon-AO，需要輸入owl文件：http://ws.nju.edu.cn/falcon-ao
• 實體對齊—Dedupe，Python庫，用戶標記極少數據，輕量級的快速訓練：pip install dedupe或者https://github.com/datamade/dedupe

參考

[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] 南大知識融合PPT
[5] OAG: Toward Linking Large-scale Heterogeneous Entity Graphs. KDD 2019

更多內容訪問 omegaxyz.com
網站所有代碼採用Apache 2.0授權
網站文章採用知識共享許可協議BY-NC-SA4.0授權
© 2020 • OmegaXYZ-版權所有 轉載請註明出處