表示学习知识图谱的实体对齐算法

doi:10.12068/j.issn.1005-3026.2018.11.004

东北大学学报:自然科学版 ›› 2018, Vol. 39 ›› Issue (11): 1535-1539.DOI: 10.12068/j.issn.1005-3026.2018.11.004

表示学习知识图谱的实体对齐算法

朱继召，乔建忠，林树宽

(东北大学计算机科学与工程学院，辽宁沈阳110169)

收稿日期:2017-08-01 修回日期:2017-08-01 出版日期:2018-11-15 发布日期:2018-11-09
通讯作者: 朱继召
作者简介:朱继召(1986-)，男，山东菏泽人，东北大学博士研究生；乔建忠(1964-)，男，辽宁兴城人，东北大学教授，博士生导师；林树宽(1966-)，女，吉林长春人，东北大学教授，博士生导师.冯明杰(1971-)，男，河南禹州人，东北大学副教授; 王恩刚(1962-)，男，辽宁沈阳人，东北大学教授，博士生导师.
基金资助:
国家自然科学基金资助项目(61272177).

Entity Alignment Algorithm for Knowledge Graph of Representation Learning

ZHU Ji-zhao， QIAO Jian-zhong， LIN Shu-kuan

School of Computer Science & Engineering， Northeastern University， Shenyang 110169， China.

Received:2017-08-01 Revised:2017-08-01 Online:2018-11-15 Published:2018-11-09
Contact: QIAO Jian-zhong
About author:-
Supported by:
-

摘要/Abstract

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

Abstract: A novel supervised method for knowledge graph entity alignment based on representation learning was proposed， which is different from the existing methods due to the similarity of structural information or attributive characters. First， the method automatically learns the semantic representations for the entities and relations of a knowledge graph in a low-dimensional vector space was proposed， and these embeddings contain the intrinsically structural information of a knowledge graph and the attributive features of entities. Afterwards， taking the manually aligned entity pairs as prior knowledge， the cross-KG mapping relationship between entities could be learned， which will be used for predicting entity alignment. Experiments conducted on real datasets demonstrated that our method can effectively improve the precision of knowledge graph entity alignment while keeping a high F1 score， when compared with the feature matching based method SiGMa.

Key words: machine learning, representation learning, knowledge graph, knowledge fusion, entity alignment

中图分类号:

TP182

朱继召，乔建忠，林树宽. 表示学习知识图谱的实体对齐算法[J]. 东北大学学报:自然科学版, 2018, 39(11): 1535-1539.

ZHU Ji-zhao， QIAO Jian-zhong， LIN Shu-kuan. Entity Alignment Algorithm for Knowledge Graph of Representation Learning[J]. Journal of Northeastern University Natural Science, 2018, 39(11): 1535-1539.

参考文献

[1]庄严，李国良，冯建华.知识库实体对齐综述［J］.计算机研究与发展，2016，53(1):165-192.(Zhuang Yan，Li Guo-liang，Feng Jian-hua.A survey on entity alignment of knowledge base ［J］.Journal of Computer Research and Development，2016，53(1):165-192.)
[2]Lacoste-Julien S，Palla K，Davies A，et al.Sigma:simple greedy matching for aligning large knowledge bases［C］// Proceedings of the 19th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining.Chicago，2013:572-580.
[3]Sun Y，Ma L，Wang S.A comparative evaluation of string similarity metrics for ontology alignment ［J］.Journal of Information & Computational Science，2015，12(3):957-964.
[4]Newcombe H B，Kennedy J M，Axford S J，et al.Automatic linkage of vital records ［J］.Science，1959，130(3381):954-959.
[5]Herzog T N，Scheuren F J，Winkler W E.Data quality and record linkage techniques ［M］.Berlin:Springer Science & Business Media，2007.
[6]Bordes A，Usunier N，Garcia-Duran A，et al.Translating embeddings for modeling multi-relational data ［C］// Proceedings of the 26th International Conference on Neural Information Processing Systems(NIPS’13).Lake Tahoe，2013:2787–2795.
[7]Wang Z，Zhang J，Feng J，et al.Knowledge graph embedding by translating on hyperplanes ［C］// Proceedings of the 28th AAAI Conference on Artificial Intelligence(AAAI’14).Quebec，2014:1112–1119.
[8]Lin Y，Liu Z，Sun M，et al.Learning entity and relation embeddings for knowledge graph completion ［C］// Proceedings of the 29th AAAI Conference on Artificial Intelligence(AAAI’15).Austin，2015:2181-2187.
[9]Turian J，Ratinov L，Bengio Y.Word representations:a simple and general method for semi-supervised learning ［C］ //Proceedings of the 48th Annual Meeting of the Association for Computational Linguistics.Uppsala，2010:384-394.
[10]Socher R，Chen D，Manning C D，et al.Reasoning with neural tensor networks for knowledge base completion ［C］ //Advances in Neural Information Processing Systems.Lake Tahoe，2013:926-934.
[11]Qiu X，Huang X.Convolutional neural tensor network architecture for community-based question answering ［C］//Proceedings of the 24th International Joint Conference on Artificial Intelligence.Buenos Aires，2015:1305-1311.

[1]	赵海，陈佳伟，施瀚，王相. 一种应用于人体活动识别的迁移学习算法[J]. 东北大学学报（自然科学版）, 2022, 43(6): 776-782.
[2]	丁来旭，刘洪娟. 复杂网络上基于多维特征表示学习的推荐算法[J]. 东北大学学报（自然科学版）, 2022, 43(3): 359-367.
[3]	马海涛，路家蕊，于文鑫，于长永. 线性区域数量与PLNN表达能力的相关性[J]. 东北大学学报（自然科学版）, 2021, 42(2): 201-207.
[4]	李壮年，储满生，柳政根，李宝峰. 基于机器学习和遗传算法的高炉参数预测与优化[J]. 东北大学学报:自然科学版, 2020, 41(9): 1262-1267.
[5]	杨望，江咏涵，张三峰. 基于网页结构与语言特征的垃圾网页链接检测方法[J]. 东北大学学报:自然科学版, 2020, 41(8): 1091-1096.
[6]	郭甲腾，刘寅贺，韩英夫，王徐磊. 基于机器学习的钻孔数据隐式三维地质建模方法[J]. 东北大学学报:自然科学版, 2019, 40(9): 1337-1342.
[7]	王蒙湘，李芳芳，于戈. 交互式数据探索框架的特征自适应技术[J]. 东北大学学报:自然科学版, 2018, 39(12): 1685-1690.
[8]	王彦华，乔建忠，林树宽，赵廷磊. 基于SVM的CPU-GPU异构系统任务分配模型[J]. 东北大学学报:自然科学版, 2016, 37(8): 1089-1094.
[9]	朱靖波;陈文亮. 基于领域知识的文本分类[J]. 东北大学学报(自然科学版), 2005, 26(8): 733-735.
[10]	孙杰;李晶皎;张俐;姚天顺. 机器翻译系统中词类搭配规则的自动获取方法[J]. 东北大学学报(自然科学版), 1999, 20(2): 4--.
[11]	李景银;郭宏飞;周伟. 高炉异常炉况判断专家系统的设计与实现[J]. 东北大学学报:自然科学版, 1997, 18(2): 5--.
[12]	李景银;郭宏飞;周伟. 高炉炉况评价系统的设计与实现[J]. 东北大学学报:自然科学版, 1996, 17(6): 6--.
[13]	杨英杰;虞和济. 结构损伤状态识别的神经网络方法[J]. 东北大学学报:自然科学版, 1994, 15(2): 5--.

表示学习知识图谱的实体对齐算法

Entity Alignment Algorithm for Knowledge Graph of Representation Learning

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 13

编辑推荐

Metrics

本文评价