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:
-
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。
-
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。
-
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。
-
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