【专家观点】基于深度学习的知识图谱实体对齐-王志春(31页 PPT).pptxVIP

2020全国知识图谱与语义计算大会

ChinaConferenceonKnowledgeGraphandSemanticComputing南昌–2020年11月;

知识图谱;

知识图谱实体对齐;

实体对齐应用场景;

基于相似度特征的实体对齐;

?基于链出的相似度

?基于链入的相似度

?基于分类的相似度

?基于作者的相似度

;

Useof

-externaldictionaries

-existingmappings;

深度学习方法的引入;

深度学习方法的引入;

知识图谱分布式表示;

?Knowledgemodel

L∈{Li,Lj}T∈GL

?Alignmentmodel

SA=ΣSa(T,TI)

T,TI∈δ(Li,Lj)Allalignedtriples

;

MTransE：面向跨语言实体对齐的表示学习模型;

基于TransE模型的实体对齐;

基于TransE模型的实体对齐;

基于TransE模型的实体对齐;

基于深度学习的实体对齐;

n基于图卷积神经网络的实体对齐模型

直接面向对齐任务学习实体的向量表示

使用图卷积神经网络作为特征编码器

;

图卷积神经网络（GCN）;;

基于深度学习的实体对齐;

基于GNNs的实体对齐;

AttrGNN[15]

?按照实体的属性将知识图谱划分为四个子图（实体名、文字属性、数值属性、无属性）

?四个GNN通道获取实体的向量表示，文字属性和数值属性采用BERT编码

[15]ZhiyuanLiu,YixinCao,LiangmingPan,JuanziLi,ZhiyuanLiu,Tat-SengChua.ExploringandEvaluatingAttributes,Values,andStructuresforEntityAlignment.EMNLP2020;

基于GNNs的实体对齐;

基于深度学习的实体对齐;

G1G2PCG

[18]ZhichunWang,JinjianYang,XiaojuYe.KnowledgeGraphAlignmentwithEntity-PairEmbedding.EMNLP2020;

基于“实体对”表示学习的对齐方法;

基于“实体对”表示学习的对齐方法;;

n现有的工作

TransE模型V.SGNNs模型

结构信息V.S.结构信息+属性信息

实体EmbeddingV.S实体对Embedding

n存在的挑战

如何处理大规模的知识图谱实体对齐

如何处理非对称的实体对齐

如何在种子结果较少、或没有种子结果情况下进行实体对齐;

n[1]Wang,Z.,Li,J.,Wang,Z.,Tang,J.(2012).Cross-lingualknowledgelinkingacrosswikiknowledgebases.WWW.

n[2]NentwigM,HartungM,NgongaNgomoAC,RahmE.Asurveyofcurrentlinkdiscoveryframeworks.SemanticWeb.2017Jan1;8(3):419-36.

n[3]BordesA,UsunierN,Garcia-DuranA,WestonJ,YakhnenkoO.Translatingembeddingsformodelingmulti-relationaldata.InAdvancesinneuralinformationprocessingsystems2013(pp.2787-2795).

n[4]WangZ,ZhangJ,FengJ,ChenZ.KnowledgeGraphEmbeddingbyTranslatingonHyperplanes.InAAAI2014Jul27(Vol.14,pp.1112-1119).

n[5]LinY,LiuZ,SunM,LiuY,ZhuX.Learningentityandr