基于Embedding的实体对齐前瞻

摘录论文：Sun, Zequn, et al. “A Benchmarking Study of Embedding-based Entity Alignment for Knowledge Graphs.” arXiv preprint arXiv:2003.07743 (2020).

无监督实体对齐 Unsupervised entity alignment

目前大多数方法需要seed alignment作为监督。因此，研究无监督的实体对齐是一个有意义的方向。一种可能的解决方案是合并辅助功能或资源，并从它们中进行远程监督，例如区分性特征（人员主页和产品介绍图片）以及预训练。此外，诸如对抗训练等无监督的跨语言单词对齐的最新进展也值得研究。另一种可能的解决方案是使用主动学习来减轻数据标记的负担。

长尾实体对齐 Long-tail entity alignment

对于长尾实体的嵌入，除了使用更高级的图神经网络外，注入更多特征（例如多模式数据和分类法）也将有所帮助。由于KG尚不完善，因此通过统一框架共同训练链接预测和实体对齐可能会同时利用这两项任务的监督。从开放式网络中提取更多信息以丰富长尾实体也是一个潜在的方向。

大规模实体对齐 Large-scale entity alignment

随着实体数量的增加，成本将成倍增长。由于候选空间很大且没有分区，因此很难在非常大的KG上运行基于嵌入的方法。

非欧式空间的实体对齐 Entity alignment in non-Euclidean spaces

补充

知识融合（实体对齐）笔记

相关文章

• 知识融合（实体对齐）笔记
• GCC图神经网络预训练概述
• 图神经网络（GNN）TensorFlow实现
• 图注意力网络(GAT) TensorFlow实现
• ICLR2021图神经网络与知识图谱相关论文
• Aminer学术社交网络数据知识图谱构建（三元组与嵌入）
• 个人主页信息提取器
• BERT-BiLSTM-CRF命名实体识别应用
• 学科领域本体关系数据与可视化
• 知识图谱综述论文阅读