- Неконтролируемое выравнивание сущностей для временных графов знаний (arXiv)
Автор: Сяозе Лю, Цзуньян Ву, Тяньи Ли, Лу Чен, Юньцзюнь Гао.
Аннотация: Выравнивание сущностей (EA) — это фундаментальная задача интеграции данных, которая идентифицирует эквивалентные сущности между различными графами знаний (KG). Графы временных знаний (TKG) расширяют графы традиционных знаний, вводя метки времени, которым уделяется все больше внимания. Современные исследования EA с учетом времени показали, что временная информация TKG облегчает работу EA. Однако существующие исследования не полностью использовали преимущества временной информации в TKG. Кроме того, они выполняют EA путем предварительного выравнивания пар сущностей, что может быть трудоемким и, следовательно, неэффективным. В этой статье мы представляем DualMatch, который эффективно объединяет реляционную и временную информацию для EA. DualMatch переводит EA на TKG в задачу сопоставления взвешенных графов. В частности, DualMatch оснащен неконтролируемым методом, который обеспечивает EA без необходимости выравнивания начальных значений. DualMatch состоит из двух этапов: (i) отдельное кодирование временной и реляционной информации во вложения с использованием нового кодировщика без меток, Dual-Encoder; и (ii) объединение обеих данных и преобразование их в выравнивание с использованием нового декодера на основе сопоставления графов, GM-Decoder. DualMatch может выполнять EA на TKG с контролем или без него благодаря своей способности эффективно собирать временную информацию. Обширные эксперименты с тремя реальными наборами данных TKG позволяют сделать вывод о том, что DualMatch превосходит современные методы с точки зрения H@1 на 2,4% — 10,7% и MRR на 1,7% — 7,6% соответственно.
2.MEAformer: мультимодальный преобразователь выравнивания сущностей для метамодального гибрида (arXiv)
Автор: Чжо Чен, Цзяоянь Чен, Вэнь Чжан, Линбин Го, Инь Фан, Юфэн Хуан, Юся Гэн, Джефф З. Пан, Вэньтин Сун, Хуацзюнь Чен
Аннотация: в качестве важного варианта выравнивания сущностей (EA) мультимодальное выравнивание сущностей (MMEA) направлено на обнаружение идентичных сущностей в разных графах знаний (KG) с прикрепленными соответствующими изображениями. Мы заметили, что все современные алгоритмы MMEA глобально принимают стратегии слияния модальностей на уровне KG для мультимодального представления объектов, но игнорируют различия в предпочтениях модальностей для отдельных объектов, что снижает устойчивость к потенциальному шуму, связанному с модальностями (например, размытые изображения и отношения). . В этой статье мы представляем MEAformer, мультимодальный подход к преобразованию выравнивания сущностей для гибридной метамодальности, который динамически прогнозирует коэффициенты взаимной корреляции между модальностями для агрегации признаков на уровне сущностей. Стратегия воспроизведения жесткого объекта с учетом модальности также предлагается для решения нечетких деталей объекта. Экспериментальные результаты показывают, что наша модель не только достигает производительности SOTA в нескольких сценариях обучения, включая контролируемое и неконтролируемое, итеративное и низкоресурсное, но также имеет сопоставимое количество параметров, оптимистичную скорость и хорошую интерпретируемость. Наш код и данные скоро будут доступны для оценки.
