Влияние методов построения векторных представлений на подходы выравнивания сущностей
https://doi.org/10.25205/1818-7900-2022-20-2-5-17
Аннотация
Проблема слияния графов знаний (KG), представленных на разных языках становится все более актуальной. Основным этапом для ее решения является идентификация эквивалентных сущностей и их описаний. Она также известна как проблема выравнивания сущностей. Недавние исследования показывают, что существующие подходы эффективны не для всех языков. В данной статье представлены эксперименты, целью которых является улучшение выравнивания сущностей на англо-русском наборе данных. Полученные результаты рассмотрены как с точки зрения целого графа, так и с точки зрения отдельных типов сущностей. Произведена оценка влияния количества отношений и атрибутов на точность работы алгоритмов.
Об авторах
Д И. Гусев
Новосибирский государственный университет
Россия
Россия
Гусев Даниил Иванович, студент магистратуры
Новосибирск
З. В. Апанович
Новосибирский государственный университет;
Институт систем информатики им. А. П. Ершова Сибирского отделения Российской академии наук
Россия
Россия
Апанович Зинаида Владимировна, старший научный сотрудник
Новосибирск
Список литературы
1. Bordes A., Usunier N., Garcia-Durán A., Weston J., Yakhnenko O. Translating embeddings for modeling multi-relational data. Proceedings of the 26th International Conference on Neural Information Processing Systems, 2013, vol. 2, p. 2787–2795. DOI 10.5555/2999792.2999923.
2. Chen M., Tian Y., Chang K., Skiena S., Zaniolo C. Co-training Embeddings of Knowledge Graphs and Entity Descriptions for Cross-lingual Entity Alignment. Twenty-Seventh International Joint Conference on Artificial Intelligence, 2018, p. 3998–4004. DOI 10.24963/ijcai.2018/556.
3. Xu K., Wang L., Yu M., Feng Y., Song Y., Wang Z., Yu D. Cross-lingual Knowledge Graph Alignment via Graph Matching Neural Network. Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics, 2019, p. 3156–3161. DOI 10.18653/v1/P19-1304.
4. Rossi A., Barbosa D., Firmani D., Matinata A., Merialdo P. Knowledge Graph Embedding for Link Prediction: A Comparative Analysis. ACM Transactions on Knowledge Discovery from Data, 2021, vol. 15, p. 1–49. DOI 10.1145/3424672.
5. Sun Z., Zhang Q., Hu W., Wang C., Chen M., Akrami F., Li C. A benchmarking study of embedding-based entity alignment for knowledge graphs. Proceedings of the VLDB Endowment, 2020, vol. 13, p. 2326–2340. DOI 10.14778/3407790.3407828.
6. Gnezdilova V. A., Apanovich, Z. V. Russian-English dataset and comparative analysis of algorithms for cross-language embeddingbased entity alignment. Journal of Physics: Conference Series, 2021, vol. 2099. DOI 10.1088/1742-6596/2099/1/012023.
7. Zhang Q., Sun Z., Hu W., Chen M., Guo L., Qu Y. Multi-view Knowledge Graph Embedding for Entity Alignment. Proceedings of the Twenty-Eighth International Joint Conference on Artificial Intelligence, 2019, p. 5429–5435. DOI 10.24963/ijcai.2019/754.
8. Wu Y., Liu X., Feng Y., Wang Z., Yan R., Zhao D. Relation-Aware Entity Alignment for Heterogeneous Knowledge Graphs. Proceedings of the Twenty-Eighth International Joint Conference on Artificial Intelligence, 2019, p. 5278–5284. DOI 10.24963/ijcai.2019/733.
9. Mao X., Wang W., Wu Y., Lan M. From Alignment to Assignment: Frustratingly Simple Unsupervised Entity Alignment. Proceedings of the 2021 Conference on Empirical Methods in Natural Language Processing, 2021, p. 2843–2853. DOI 10.18653/v1/2021.emnlp-main.226.
10. Guo L., Sun Z., Hu W. Learning to Exploit Long-term Relational Dependencies in Knowledge Graphs. Proceedings of the 36th International Conference on Machine Learning, 2019, vol. 57, p. 2505–2514.
11. Yang Z., Dai Z., Yang Y., Carbonell J., Salakhutdinov R., Le Q. XLNet: Generalized Autoregressive Pretraining for Language Understanding. Proceedings of the 33rd International Conference on Neural Information Processing Systems, 2019, p. 5753–5763. DOI 10.5555/3454287.3454804.
12. Feng F., Yang Y., Cer D., Arivazhagan N., Wang W. Language-agnostic BERT Sentence Embedding. ArXiv, 2020. DOI 10.48550/arXiv.2007.01852.
Рецензия
Для цитирования:
Гусев Д.И., Апанович З.В. Влияние методов построения векторных представлений на подходы выравнивания сущностей. Вестник НГУ. Серия: Информационные технологии. 2022;20(2):5-17. https://doi.org/10.25205/1818-7900-2022-20-2-5-17
For citation:
Gusev D.I., Apanovich Z.V. Influence of Embeddings Construction Methods on Entity Alignment Approaches. Vestnik NSU. Series: Information Technologies. 2022;20(2):5-17. (In Russ.) https://doi.org/10.25205/1818-7900-2022-20-2-5-17
Просмотров:
172
Послать статью по эл. почте 