表示学习知识图谱的实体对齐算法
来源期刊:东北大学学报(自然科学版)2018年第11期
论文作者:朱继召 乔建忠 林树宽
文章页码:1535 - 1539
关键词:机器学习;表示学习;知识图谱;知识融合;实体对齐;
摘 要:与现有的根据知识图谱的结构信息或实体属性特征进行相似度匹配的实体对齐的方法不同,提出了一种基于表示学习的知识图谱实体对齐方法.首先,在低维向量空间下,通过机器学习方法学得实体和关系的语义表示,这种表示形式蕴含了知识图谱的内在结构信息及实体属性特征;其次,将人工标注的实体对作为先验知识,学习知识图谱间实体对的映射关系.经实验验证表明:与基于特征匹配的方法 SiGMa相比,本文方法能够有效提高知识图谱实体对齐的精确率,同时保持较高的F1值.
朱继召,乔建忠,林树宽
东北大学计算机科学与工程学院
摘 要:与现有的根据知识图谱的结构信息或实体属性特征进行相似度匹配的实体对齐的方法不同,提出了一种基于表示学习的知识图谱实体对齐方法.首先,在低维向量空间下,通过机器学习方法学得实体和关系的语义表示,这种表示形式蕴含了知识图谱的内在结构信息及实体属性特征;其次,将人工标注的实体对作为先验知识,学习知识图谱间实体对的映射关系.经实验验证表明:与基于特征匹配的方法 SiGMa相比,本文方法能够有效提高知识图谱实体对齐的精确率,同时保持较高的F1值.
关键词:机器学习;表示学习;知识图谱;知识融合;实体对齐;