基于图神经网络的实体对齐表示学习方法比较研究

TP391; 实体对齐是知识融合的一个重要步骤,其目的在于识别不同知识图谱中的等价实体.为准确判断出对等的实体,现有方法首先进行表示学习,将实体映射到低维向量空间中,接着通过向量间的相似度推断实体的等价性.而近期实体对齐的相关工作也大都聚焦于表示学习方法的改进上.为了能够更好地理解这些模型的机理,挖掘有价值的设计思路,并为后续的优化改进工作提供参考,对实体对齐表示学习方法进行了研究综述.首先基于现有方法,提出了一个通用的表示学习框架,并用该框架对几个具有代表性的工作进行了归纳概括以及分析解构.接着通过实验对这些工作进行了对比分析,并对框架中各个模块的常见方法进行了比较.根据实验结果,总结了各种...

Celý popis

Podrobná bibliografie

Vydáno v:	计算机科学与探索 Ročník 17; číslo 10; s. 2343 - 2357
Hlavní autoři:	彭鐄, 曾维新, 周杰, 唐九阳, 赵翔
Médium:	Journal Article
Jazyk:	čínština
Vydáno:	国防科技大学 大数据与决策实验室,长沙 410073 10.10.2023
Témata:	entity alignment 知识融合 图神经网络 representation learning 实体对齐 表示学习 语言大模型 graph neural network knowledge fusion large language model
ISSN:	1673-9418
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!