Knowing the No-match: Entity Alignment with Dangling Cases
Nanjing University（南京大学）；University of Southern California（南加州大学）
研究了一种新的知识图谱实体对齐问题集。由于KG拥有不同的实体集合，因此可能存在无法在它们之间找到对齐的实体，从而导致悬空实体的问题。作为对这个问题的第一次尝试，我们构造了一个新的数据集，并设计了一个多任务学习框架，用于实体对齐和悬挂实体检测。框架可以选择放弃预测检测到的悬挂实体的对齐。我们提出了三种基于最近邻距离分布的悬空实体检测技术，即，最近邻分类、边缘排序和背景排序。在检测和移除悬挂实体之后，我们的框架中的合并实体对齐模型可以为剩余实体提供更鲁棒的对齐。综合实验和分析表明，我们的框架的有效性。我们进一步发现，悬挂实体检测模块可以反过来提高对齐学习和最终性能。贡献的资源是公开的，以促进进一步的研究。
2021-06-04 cs.AI cs.CL
TransAlign: Fully Automatic and Effective Entity Alignment for Knowledge Graphs
Tsinghua University（清华大学）；The Chinese University of Hong Kong（香港中文大学）；Universitas Indonesia（印度尼西亚大学）；Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）；The University of Melbourne（墨尔本大学）
知识图谱之间的实体对齐的任务旨在识别来自两个不同知识图谱的表示相同实体的每对实体。许多基于机器学习的方法已经被提出用于该任务。然而，据我们所知，现有的方法都需要手工制作的种子比对，这是昂贵的获得。在本文中，我们提出了第一个全自动对齐方法命名为TransAlign，它不需要任何手动制作的种子对齐。具体来说，对于谓词嵌入，TransAlign构造了一个谓词邻近图，通过学习实体类型的注意力来自动捕获两个KG之间谓词的相似性。对于实体嵌入，TransAlign首先使用TransE独立地计算每个KG的实体嵌入，然后通过基于其属性计算实体之间的相似度来将两个KG的实体嵌入移动到相同的向量空间中。因此，谓词比对和实体比对都可以在没有手动制作的种子比对的情况下完成。TransAlign不仅是全自动的，而且非常有效。使用真实世界KG的实验表明，与最先进的方法相比，TransAlign显著提高了实体对齐的准确性。
2022-10-16 cs.AI cs.CL
Conflict-Aware Pseudo Labeling via Optimal Transport for Entity Alignment
Discipline of Business Analytics（业务分析学科）；The University of Sydney（悉尼大学）；Department of Data Science & AI（数据科学与人工智能系）；Monash University（墨尔本大学）
针对实体对齐中忽略对齐冲突的问题，提出CPL-OT模型，结合全局-局部聚合的嵌入学习与基于最优传输的迭代冲突感知伪标签机制，确保一对一精准对齐，在基准数据集上显著优于现有基线。
2025-05-31 cs.AI cs.LG
Co-training Embeddings of Knowledge Graphs and Entity Descriptions for Cross-lingual Entity Alignment
University of California, Los Angeles（加州大学洛杉矶分校）；Stony Brook University（石溪大学）
多语言知识图谱（KG）嵌入提供了实体和结构化知识的潜在语义表示和跨语言推理，有利于各种知识驱动的跨语言NLP任务。然而，精确地学习这样的跨语言推理通常是阻碍了低覆盖率的实体对齐在许多知识库。由于许多多语言KG也提供实体的文字描述，在本文中，我们介绍了一种基于嵌入的方法，利用弱对齐的多语言KG使用实体描述进行半监督跨语言学习。我们的方法执行两个嵌入模型的联合训练，即多语言KG嵌入模型和多语言文字描述嵌入模型。这些模型是在一个基于维基百科的大型三语数据集上训练的，其中大多数实体对齐对训练来说是未知的。实验结果表明，该方法在实体对齐任务上的性能在每次迭代的协同训练中都有所提高，并最终达到显著超过以前方法的阶段。我们还表明，我们的方法有前途的能力zero-shot实体对齐，跨语言KG完成。
2018-06-18 cs.AI cs.CL
Entity Alignment For Knowledge Graphs: Progress, Challenges, and Empirical Studies
Mastercard India（万事达卡印度公司）；IIT Roorkee（印度理工学院鲁尔基分校）
实体对齐（EA）标识跨数据库引用相同实体的实体。基于知识图谱的嵌入方法近年来已成为EA技术的主流。这种方法将实体映射到低维空间，并基于它们的相似性将它们对齐。随着企业评价方法研究的不断深入，本文对现有的各种评价方法进行了综合分析，阐述了它们的应用和局限性。此外，我们根据它们的底层算法和它们用于学习实体表示的信息来区分这些方法。针对工业数据集面临的挑战，提出了$4$研究问题。这些RQ从\textit{Hubness, Degree distribution, Non-isomorphic neighbourhood,}和\textit{Name bias}的角度对算法进行了经验分析。对于Hubness，其中一个实体变成了许多其他实体的最近邻居，我们定义了一个$h$分数来量化其对各种算法性能的影响。此外，我们试图通过创建一个低名称偏差数据集，为主要依赖于基准开源数据集中存在的名称偏差的算法提供公平的竞争环境。我们进一步创建了一个开放源代码库的$14$嵌入式EA方法，并提出了分析调用进一步的研究动机在EA领域。
2022-05-18 cs.AI
Large-scale Entity Alignment via Knowledge Graph Merging, Partitioning and Embedding
The University of Queensland（昆士兰大学）；Nanjing University（南京大学）；Soochow University（苏州大学）；Hong Kong University of Science and Technology（香港科技大学）
实体对齐是知识图谱融合中的一项关键任务。然而，大多数实体对齐方法都存在可扩展性问题。最近的方法通过将大KG划分为小块以在每个块中进行嵌入和对齐学习来解决这个问题。然而，这样的划分和学习过程导致结构和对齐的过度损失。因此，在这项工作中，我们提出了一个可扩展的基于GNN的实体对齐方法，以减少结构和对齐损失从三个方面。首先，我们提出了一个基于中心的子图生成算法，召回一些地标实体作为不同子图之间的桥梁。其次，我们引入了自监督实体重建，从不完整的邻域子图中恢复实体表示，并设计了交叉子图负采样，将其他子图中的实体纳入对齐学习。第三，在推理过程中，我们合并子图的嵌入，以形成一个单一的对齐搜索空间。在OpenEA基准数据集和DBpedia1M大型数据集上的实验结果验证了该方法的有效性。
2022-08-23 cs.AI cs.LG
DERA: Dense Entity Retrieval for Entity Alignment in Knowledge Graphs
Beijing Normal University（北京师范大学）
本文提出稠密实体检索框架DERA，利用语言模型统一编码知识图谱实体的结构与属性特征，通过检索加重排序实现实体对齐，在跨语言和单语言数据集上取得最优性能。
2024-08-02 cs.AI cs.CL
A Fused Gromov-Wasserstein Framework for Unsupervised Knowledge Graph Entity Alignment
Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；Hong Kong University of Science and Technology（香港科技大学）；Tencent AI Lab（腾讯人工智能实验室）；Beijing Institute of Technology（北京理工大学）
提出FGWEA无监督框架，利用融合Gromov-Wasserstein距离联合优化实体语义与知识图谱结构，通过三阶段渐进算法，在无监督和无需调参下超越21个基线方法。
2023-05-11 cs.AI cs.CL
MCSFF: Multi-modal Consistency and Specificity Fusion Framework for Entity Alignment
College of Computer and Mathematics（计算机与数学学院）；Central South University of Forestry and Technology（中南林业科技大学）
本文提出MCSFF框架，通过同时利用多模态的一致性与特异性，结合迭代去噪增强和特征融合，在MMKG数据集上超越现有最优MMEA方法，提升实体对齐精度。
2024-10-18 cs.AI
MyGram: Modality-aware Graph Transformer with Global Distribution for Multi-modal Entity Alignment
MyGram通过模态感知图变换器与全局分布机制，提升多模态实体对齐的性能。
2026-01-17 cs.AI
Visual Pivoting for (Unsupervised) Entity Alignment
University of Cambridge（剑桥大学）；University of Pennsylvania（宾夕法尼亚大学）；University of Southern California（南加州大学）
本文研究了在异构知识图谱（KG）中使用视觉语义表示来对齐实体。图像是许多现有幼儿园的自然组成部分。通过将视觉知识与其他辅助信息相结合，我们表明，所提出的新方法，EVA，创建一个整体的实体表示，交叉图实体对齐提供了强有力的信号。此外，以前的实体对齐方法需要人工标记的种子对齐，限制了可用性。EVA通过利用实体的视觉相似性来创建初始种子字典（视觉枢轴），提供了一个完全无监督的解决方案。在基准数据集DBP15k和DWY15k上的实验表明，EVA在单语和跨语言实体对齐任务上都提供了最先进的性能。此外，我们发现，图像是特别有用的，以调整长尾KG实体，这本身就缺乏必要的结构背景捕捉的对应关系。
2020-12-17 cs.AI cs.CL
Attr-Int: A Simple and Effective Entity Alignment Framework for Heterogeneous Knowledge Graphs
针对异构知识图谱中实体对齐因结构非同构而失效的问题，提出Attr-Int框架，通过属性信息交互方法提升对齐性能，并在两个新基准上超越现有最优方法。
2024-11-04 cs.AI cs.CL
Neuro-Symbolic Entity Alignment via Variational Inference
Department of Computing（计算系）；The Hong Kong Polytechnic University（香港理工大学）
本文提出神经符号框架 NeuSymEA，通过 Markov 随机场、变分 EM 与逻辑演绎推理融合规则和神经模型，在跨知识图谱实体对齐及低资源场景中取得显著性能提升。
2025-09-29 cs.AI
Dangling-Aware Entity Alignment with Mixed High-Order Proximities
National University of Singapore（新加坡国立大学）；Nanjing University（南京大学）；Alibaba Group（阿里巴巴集团）；University of Southern California（南加州大学）
本文研究了知识图谱中的悬挂感知实体对齐问题。由于不同的KG自然地由不同的实体集合构成，因此KG通常包含一些在其他KG中找不到对应物的悬挂实体。因此，悬垂感知实体对齐比传统的实体对齐更现实，在传统的实体对齐中，先前的研究简单地忽略了悬垂实体。我们提出了一个框架，使用混合高阶近似的悬垂感知实体对齐。我们的框架利用了本地的高阶接近最近邻子图和嵌入空间中的全局高阶接近悬空检测和实体对齐。两个评估设置的广泛实验表明，我们的框架更精确地检测悬空实体，更好地对齐匹配的实体。进一步的研究表明，我们的框架可以减轻hubness问题的悬垂感知实体对齐。
2022-05-05 cs.AI cs.CL cs.LG
Unsupervised Robust Cross-Lingual Entity Alignment via Neighbor Triple Matching with Entity and Relation Texts
Yonsei University（延世大学）；Korea University（高丽大学）
针对跨语言实体对齐中获取标签困难及现有无监督方法的局限，本文提出ERAlign，通过邻居三元组匹配联合实体和关系文本语义，实现无监督鲁棒对齐，提升精度并增强对噪声的抵抗能力。
2025-02-12 cs.AI cs.CL
Query-Conditioned Knowledge Alignment for Reliable Cross-System Medical Reasoning
Shenzhen Institute for Advanced Study, University of Electronic Science and Technology of China（深圳先进研究院，电子科技大学）；Department of Electrical and Computer Engineering, University of Waterloo（滑铁卢大学电气与计算机工程系）；School of Computer Science and Engineering, Kyungpook National University（庆北国立大学计算机科学与工程学院）
本文提出了一种基于查询的知识对齐方法QCEA，通过将实体对齐问题转化为查询条件下的对应关系问题，以提升跨系统医学推理的可靠性，主要贡献是引入了方向感知变换模块以捕捉异构知识系统中的非对称和多对多对应关系。
2026-05-18 cs.AI
RAGA: Relation-aware Graph Attention Networks for Global Entity Alignment
School of Software and Microelectronics, Peking University（北京大学软件与微电子学院）；National Engineering Research Center for Software Engineering, Peking University（北京大学国家软件工程研究中心）；Key Laboratory of High Confidence Software Technologies (PKU), Ministry of Education（教育部高可信软件技术重点实验室（北京大学））
实体对齐是从不同的知识图谱中发现涉及同一真实世界对象的实体的任务，是集成多源知识图谱的关键步骤。现有的基于嵌入的实体对齐方法大多是将实体和关系嵌入到基于KG关系三元组的向量空间中进行局部对齐。由于这些方法没有充分考虑实体之间的多重关系，知识库的结构信息没有得到充分利用。在本文中，我们提出了一个新的框架的基础上，感知图注意力网络捕捉实体和关系之间的相互作用。我们的框架采用自我注意力机制将实体信息传播给关系，然后将关系信息聚合回实体。此外，我们提出了一个全局对齐算法，使一对一的实体对齐与细粒度的相似性矩阵。三个真实世界的跨语言数据集上的实验表明，我们的框架优于国家的最先进的方法。
2021-03-01 cs.AI cs.CL
Combating Confirmation Bias: A Unified Pseudo-Labeling Framework for Entity Alignment
本文提出统一伪标签实体对齐框架 UPL-EA，通过最优传输伪标签和并行伪标签集成消除确认偏误，在 15 个基线上验证了其优越性。
2025-07-02 cs.AI cs.CL cs.LG
Jointly Learning Knowledge Embedding and Neighborhood Consensus with Relational Knowledge Distillation for Entity Alignment
Tsinghua University（清华大学）
实体对齐的目的是整合来自不同知识图谱的异构知识。最近的研究采用基于嵌入的方法，首先学习的知识图谱的表示，然后通过测量实体嵌入之间的相似性进行实体对齐。然而，由于学习知识嵌入和邻域一致性的不同目标导致的权衡问题，它们未能很好地利用关系语义信息。为了解决这个问题，我们提出了关系知识蒸馏实体对齐（RKDEA），图卷积网络（GCN）为基础的模型配备了知识蒸馏实体对齐。我们采用基于GCN的模型来学习实体的表示，考虑图的结构，并通过知识蒸馏将关系语义信息纳入GCN。然后，我们引入了一种新的自适应机制来传递关系知识，从而共同学习实体嵌入和邻域一致性。在多个基准数据集上的实验结果证明了该模型的有效性。
2022-01-25 cs.AI cs.CL cs.LG
Multi-view Knowledge Graph Embedding for Entity Alignment
Nanjing University（南京大学）；University of California, Los Angeles（加州大学洛杉矶分校）
研究了基于嵌入的知识图谱实体对齐问题。以前的工作主要集中在实体的关系结构。一些进一步结合另一种类型的特征，例如属性，用于细化。然而，大量的实体特征仍然没有被探索或没有被平等地对待在一起，这削弱了基于嵌入的实体对齐的准确性和鲁棒性。在本文中，我们提出了一个新的框架，统一实体的多个视图来学习嵌入实体对齐。具体来说，我们嵌入实体的基础上的实体名称，关系和属性的意见，与几个组合策略。此外，我们设计了一些跨KG推理方法，以提高两个KG之间的对齐。我们在真实世界数据集上的实验表明，该框架显着优于最先进的基于嵌入的实体对齐方法。选择的观点、跨KG推理和组合策略都有助于绩效的提高。
2019-06-06 cs.AI cs.CL cs.LG
EABlock: A Declarative Entity Alignment Block for Knowledge Graph Creation Pipelines
TIB Leibniz Information Center for Science and Technology（莱布尼茨科学技术信息中心（TIB））；Leibniz University of Hannover（汉诺威莱布尼茨大学）；L3S Research Center（L3S研究中心）
尽管编码了大量丰富而有价值的数据，但现有的数据源大多是独立创建的，这对它们的集成构成了重大挑战。映射语言，例如，RML和R2 RML促进了应用元数据和将数据集成到知识图谱中的过程的声明性规范。映射规则除了表达数据源和统一模式之间的对应关系之外，还可以包括知识提取功能。组合映射规则和函数代表了一种强大的形式主义，用于指定用于将数据透明地集成到知识图谱中的管道。令人惊讶的是，这些形式主义并没有完全适应，许多知识图谱是通过执行临时程序来预处理和整合数据而创建的。在本文中，我们提出了EABlock，一种集成实体对齐（EA）作为RML映射规则的一部分的方法。EABlock包括从文本属性执行实体识别的功能块，并将识别出的实体链接到Wikidata、DBpedia和特定领域的词库中的相应资源，例如，UMLS。EABlock提供了不可知的和有效的技术来评估函数和传输映射，以促进其在任何RML兼容的引擎中的应用。我们对EABlock性能进行了经验评估，结果表明EABlock可以加快知识图谱创建管道的速度，这些管道需要在最先进的RML兼容引擎中进行实体识别和链接。EABlock也可以通过GitHub存储库（https：//github.com/SDM-TIB/EABlock）和DOI（https：//doi.org/10.5281/zenodo.5779773）作为工具公开使用。
2021-12-15 cs.AI
Type-enhanced Ensemble Triple Representation via Triple-aware Attention for Cross-lingual Entity Alignment
Tongji University（同济大学）
针对现有实体对齐方法忽略三元组不可分割性与实体角色多样性的问题，提出TTEA框架，以关系为信息载体结合三元组注意力与实体增强，在三个跨语言数据集上性能优于SOTA方法。
2023-05-02 cs.AI cs.CL
Cross-lingual Entity Alignment with Incidental Supervision
多语言知识图谱（KG）嵌入方法是解决实体对齐问题的一个重要研究方向，它试图匹配不同语言特定KG中的实体，这些KG中的实体都指向同一个真实世界的对象。这样的方法经常受到KG之间提供的种子比对不足的阻碍。因此，我们提出了一个附带的监督模型，JEANS，它共同代表多语言KG和文本语料库中的共享嵌入方案，并试图提高实体对齐与附带的监督信号从文本。JEANS首先部署一个实体接地过程，将每个KG与单语文本语料库相结合。然后，进行两个学习过程：（i）嵌入学习过程，以在一个嵌入空间中对每种语言的KG和文本进行编码;以及（ii）基于自学习的对齐学习过程，以迭代地诱导嵌入之间的实体匹配和词汇匹配。在基准数据集上的实验表明，JEANS在附带监督的实体对齐方面取得了令人鼓舞的改进，并且显著优于仅依赖KG内部信息的最新方法。
2021-01-26 cs.AI cs.CL cs.IR
Boosting the Speed of Entity Alignment 10*: Dual Attention Matching Network with Normalized Hard Sample Mining
East China Normal University（华东师范大学）；Alibaba Group（阿里巴巴集团）
在多源知识图谱之间寻找等价实体是知识图集成的关键步骤，也称为\emph{entity alignment}（EA）。然而，大多数现有的EA方法是低效的，可扩展性差。最近的一份摘要指出，其中一些甚至需要几天时间来处理包含20万个节点的数据集（DWY 100 K）。我们认为，图编码器过于复杂和负采样策略效率低下是两个主要原因。本文提出了一种新颖的KG编码器--双注意力匹配网络（Dual-AMN），它不仅能灵活地对图内和图间信息进行建模，而且大大降低了计算复杂性。此外，我们还提出了归一化硬样本挖掘损失，以减少损失漂移，顺利地选择硬负样本。在广泛使用的公共数据集上的实验结果表明，该方法实现了高精度和高效率。在DWY 100 K上，我们的方法的整个运行过程可以在1,100秒内完成，比以前的工作至少快10倍。我们的方法在所有数据集上的性能也优于以前的作品，其中Hits@1和MRR从6%提高到13%。
2021-03-29 cs.AI
Towards Entity Alignment in the Open World: An Unsupervised Approach
National University of Defense Technology（国防科技大学）；Xi’an Jiaotong University（西安交通大学）
实体对齐旨在发现不同知识图谱中的等价实体。这是整合幼儿园以增加知识覆盖面和质量的关键一步。近年来，EA框架迅速增加。然而，最先进的解决方案往往依赖于标记数据进行模型训练。此外，它们在封闭域设置下工作，不能处理不可匹配的实体。为了解决这些缺陷，我们提供了一个无监督的框架，在开放世界中执行实体对齐。具体来说，我们首先挖掘有用的功能，从侧信息的KG。然后，我们设计了一个不可匹配的实体预测模块，过滤掉不可匹配的实体，并产生初步的对齐结果。这些初步结果被视为伪标记数据并转发到渐进式学习框架以生成结构表示，该结构表示与边信息集成以提供更全面的对齐视图。最后，渐进式学习框架逐渐提高结构嵌入的质量，并通过使用前一轮的对齐结果丰富伪标记数据来增强对齐性能。我们的解决方案不需要标记的数据，可以有效地过滤掉不匹配的实体。综合实验评价验证了其优越性。
2021-01-26 cs.AI cs.CL
MEAformer: Multi-modal Entity Alignment Transformer for Meta Modality Hybrid
Zhejiang University（浙江大学）；The University of Manchester（曼彻斯特大学）；The University of Edinburgh（爱丁堡大学）；Huawei Technologies Ltd（华为技术有限公司）
本文提出MEAformer，通过动态预测模态间互相关系数实现细粒度实体级模态融合，解决多模态实体对齐中模态偏好变化与噪声鲁棒性问题，在多种训练场景下达到SOTA性能。
2023-07-30 cs.AI cs.CL
A Simple Temporal Information Matching Mechanism for Entity Alignment Between Temporal Knowledge Graphs
East China Normal University（华东师范大学）；Guizhou University（贵州大学）；Shanghai Transsion Co., Ltd（上海传音有限公司）
实体对齐（EA）的目的是在不同的知识图谱（KG）中找到实体，这些知识图谱涉及现实世界中的同一对象。最近的研究纳入时间信息，以增加代表性的KG。现有的时态知识库之间的EA方法利用时间感知的注意力机制将关系和时态信息结合到实体嵌入中。通过使用时间信息，该方法优于以前的方法。然而，我们认为，它是没有必要学习的时间信息的嵌入在KG，因为大多数TKG有统一的时间表示。因此，我们提出了一个简单的图神经网络（GNN）模型结合了时间信息匹配机制，它实现了更好的性能与更少的时间和更少的参数。此外，由于在现实世界的应用中，对齐种子是很难标记，我们还提出了一种方法来生成无监督对齐种子通过时间信息的TKG。在公共数据集上的大量实验表明，我们的监督方法显着优于以前的方法和无监督的一个具有竞争力的性能。
2022-09-20 cs.AI cs.CL
Joint Multimodal Entity-Relation Extraction Based on Edge-enhanced Graph Alignment Network and Word-pair Relation Tagging
South China University of Technology（华南理工大学）；The Peng Cheng Laboratory（鹏城实验室）；Yunnan University（云南大学）；The Hong Kong Polytechnic University（香港理工大学）
多模态命名实体识别（MNER）和多模态关系抽取（MRE）是多模态知识图谱构建任务中的两个基本子任务。然而，现有的方法通常独立地处理两个任务，这忽略了它们之间的双向交互。本文首次提出联合执行MNER和MRE作为一个联合的多模态实体-关系抽取任务（JMERE）。此外，现有的MNER和MRE模型只考虑了视觉图形和文本图形中的视觉对象与文本实体的对齐，而忽略了实体与实体之间以及对象与对象之间的关系。为了解决上述挑战，我们提出了一个边缘增强的图对齐网络和词对关系标记（EEGA）的JMERE任务。具体来说，我们首先设计了一个词对关系标记，利用MNER和MRE之间的双向交互，并避免错误传播。然后，我们提出了一个边增强的图对齐网络，通过对齐交叉图中的节点和边来增强JMERE任务。与已有的方法相比，该方法能够利用边缘信息辅助实体与对象之间的对齐，并发现实体与实体之间以及对象与对象之间的关系。实验结果表明了该模型的有效性。
2023-02-18 cs.AI cs.CL cs.MM
Reliability of LLM Judges for Evaluating Entity Alignment
University of Michigan, Ann Arbor（密歇根大学安娜堡分校）；Information Sciences Institute, University of Southern California（南加州大学信息科学研究所）
本研究首次系统评估 LLM 法官在实体对齐任务中的可靠性，发现标签暴露导致锚定偏差削弱判别能力，提出无标签协议可恢复性能，并发布生物医学基准与审计框架。
2026-10-30 cs.AI
OntoEA: Ontology-guided Entity Alignment via Joint Knowledge Graph Embedding
Tencent Jarvis Lab（腾讯天衍实验室）；Tencent（腾讯）；University of Oxford（牛津大学）
语义嵌入已被广泛研究用于对齐知识图谱（KG）实体。目前的方法已经探索和利用了图结构，实体名称和属性，但忽略了本体（或本体模式），其中包含关键的Meta信息，如类和它们与实体的成员关系。在本文中，我们提出了一个本体指导的实体对齐方法命名为OntoEA，其中两个KG和它们的本体联合嵌入，类层次结构和类不相交性，以避免错误的映射。在七个公共和工业基准上的广泛实验证明了OntoEA的最新性能和本体的有效性。
2021-05-24 cs.AI cs.CL cs.LG
ActiveEA: Active Learning for Neural Entity Alignment
The University of Queensland（昆士兰大学）；Neusoft Research of Intelligent Healthcare Technology, Co. Ltd.（东软智能医疗科技研究有限公司）
实体对齐是知识图谱融合的重要步骤，其目的是在不同的知识图谱中匹配等价的实体。目前的主流方法--神经EA模型--依赖于种子对齐的训练，即，一组预对齐的实体对，其注释成本非常高。在本文中，我们设计了一个新的主动学习（AL）框架的神经EA，旨在创建高度信息种子对齐，以获得更有效的EA模型，以更少的注释成本。我们的框架解决了将AL应用于EA时遇到的两个主要挑战：（1）如何利用AL策略中实体之间的依赖关系。大多数AL策略假设要采样的数据实例是独立且同分布的。然而，幼儿园中的实体是相关的。为了解决这一挑战，我们提出了一个结构感知的不确定性抽样策略，可以衡量每个实体的不确定性，以及它对KG中相邻实体的影响。(2)如何识别出现在一个KG中但未出现在另一个KG中的实体（即，单身汉）。识别单身汉可能会节省注释预算。为了解决这个问题，我们设计了一个单身汉识别器，注意减轻采样偏差的影响。实验结果表明，我们提出的AL策略可以显着提高采样质量，具有良好的通用性，在不同的数据集，EA模型和单身汉的数量。
2021-10-13 cs.AI cs.CL
Leveraging Intra-modal and Inter-modal Interaction for Multi-Modal Entity Alignment
School of Computer；Information Technology Shanxi University Taiyuan China；School of Computer Science；Informatics Cardiff University Cardiff UK；ILCC, School of Informatics University of Edinburgh Edinburgh UK；Information Technology Shanxi University；Informatics Cardiff University；ILCC, School of Informatics University of Edinburgh
提出多粒度交互框架MIMEA，通过模态知识嵌入、概率引导融合、最优传输对齐与模态自适应对比学习四个模块实现模态内与模态间交互，有效解决了多模态知识图中的实体对齐问题。
2024-04-19 cs.AI cs.IR
A Benchmarking Study of Embedding-based Entity Alignment for Knowledge Graphs
Nanjing University（南京大学）；University of California, Los Angeles（加利福尼亚大学洛杉矶分校）；University of Texas at Arlington（德克萨斯大学阿灵顿分校）
实体对齐寻求在不同的知识图谱（KG）中找到引用相同现实世界对象的实体。KG嵌入的最新进展推动了基于嵌入的实体对齐的出现，该实体对齐在连续的嵌入空间中对实体进行编码，并基于学习到的嵌入来测量实体的相似性。在本文中，我们对这一新兴领域进行了全面的实验研究。我们调查了23个最近的基于嵌入的实体对齐方法，并根据它们的技术和特点对它们进行分类。我们还提出了一个新的KG抽样算法，我们生成了一组专用的基准数据集与各种异质性和分布的现实评估。我们开发了一个开源库，包括12个代表性的基于嵌入的实体对齐方法，并广泛评估这些方法，以了解他们的优势和局限性。此外，对于目前方法中尚未探索的几个方向，我们进行了探索性实验，并报告了我们的初步研究结果。基准数据集、开放源代码库和实验结果均可在线查阅，并将得到适当维护。
2020-07-20 cs.AI cs.CL cs.DB
Multilingual Knowledge Graph Completion with Joint Relation and Entity Alignment
Indian Institute of Technology Delhi（印度理工学院德里分校）；Indian Institute of Technology Bombay（印度理工学院孟买分校）
知识图谱完备（KGC）预测不完整知识图谱中缺失的事实。几乎所有现有的KGC研究都只适用于一个KG，并且只适用于一种语言。然而，不同的语言使用者可能会以他们的语言维持单独的幼儿园，并且预计不会有单独的幼儿园。此外，这些知识群中的共同实体或关系具有不同的表面形式和ID，导致ID扩散。实体对齐（EA）和关系对齐（RA）任务通过识别不同KG中表示相同实体（关系）的实体（关系）ID对来解决这个问题。这可以进一步帮助预测缺失的事实，因为来自一个KG的知识可能有利于完成另一个KG。高置信度预测还可以为对准任务添加有价值的信息。作为回应，我们研究了联合训练多语言KGC，关系对齐和实体对齐模型的新任务。我们提出了ALIGNKGC，它使用一些种子比对，共同优化所有三个KGC，EA和RA损失。ALIGNKGC的一个关键组成部分是基于嵌入的非对称重叠的软概念，定义在关系的（主体，客体）集合签名上，这有助于更好地预测与其他关系等效或隐含的关系。DBPedia在五种语言中的广泛实验建立了联合训练对所有任务的好处，在每个单语KG上，ALIGNKGC在强大的最先进的单KGC系统完成模型上实现了10-32的MRR改进。此外，ALIGNKGC在EA和RA任务中实现了合理的收益，超过了KG的香草完成模型，该模型结合了所有事实而没有对齐，强调了联合培训对这些任务的价值。
2021-04-18 cs.AI cs.CL cs.LG
An Industry Evaluation of Embedding-based Entity Alignment
Tencent Jarvis Lab（腾讯天衍实验室）；University of Oxford（牛津大学）
基于嵌入的实体对齐近年来得到了广泛的研究，但大多数提出的方法仍然依赖于一个理想的监督学习设置与大量的无偏种子映射的训练和验证，这显着限制了它们的使用。在这项研究中，我们评估了这些国家的最先进的方法在工业背景下，在不同的大小和不同的偏见的种子映射的影响进行了探讨。除了流行的基准DBpedia和维基数据，我们贡献和评估一个新的工业基准，是从两个异构的知识图谱（KG）下部署的医疗应用程序中提取。实验结果使这些对齐方法的优点和缺点的分析，并进一步讨论合适的策略，其工业部署。
2020-11-07 cs.AI cs.CL cs.LG
Entity Alignment with Reliable Path Reasoning and Relation-Aware Heterogeneous Graph Transformer
South China Normal University（华南师范大学）；Hanshan Normal University（韩山师范学院）
实体对齐是从不同的知识图谱中寻找具有相同意义的实体的一种方法，已引起学术界和工业界的广泛关注。知识库中实体之间存在大量的多步关系路径，反映了实体之间的语义关系。然而，现有的方法很少考虑路径信息，因为不是所有的自然路径有利于EA判断。在本文中，我们提出了一个更有效的实体对齐框架，RPR-RHGT，它集成了关系和路径结构信息，以及在知识库中的异构信息。令人印象深刻的是，一个初始的可靠路径推理算法的发展，产生的路径有利于EA任务的关系结构的KG，这是第一个算法在文献中成功地使用不受限制的路径信息。此外，为了有效地捕捉实体邻域中的异构特征，设计了一个关系感知的异构图转换器Transformer来建模KG的关系和路径结构。在三个知名数据集上的大量实验表明，RPR-RHGT显著优于11种最先进的方法，在Hits@1上超过最佳性能基线高达8.62%。我们还展示了它在不同比例的训练集和更硬的数据集上比基线更好的性能。
2022-08-07 cs.AI cs.CL cs.LG
Dependency-aware Self-training for Entity Alignment
The University of Queensland（昆士兰大学）
实体对齐（EA）旨在检测不同知识图谱（KG）中的实体映射（即等效实体对），对于KG融合至关重要。神经EA方法主导当前EA研究，但仍然受到他们的依赖标记映射。为了解决这个问题，一些工作已经探索了用自训练来增强EA模型的训练，其迭代地将自信地预测的映射添加到训练数据中。虽然自我训练的有效性在某些特定的环境中可以窥见，但我们对它的了解仍然非常有限，原因之一是现有的工作集中在设计EA模型，只把自我训练作为一种辅助工具。为了填补这一知识空白，我们将视角转向自我训练来阐明这一点。此外，现有的自我训练策略影响有限，因为它们引入了大量假阳性噪音或少量真阳性伪映射。为了提高EA的自我训练，我们建议利用实体之间的依赖关系，EA的特殊性，以抑制噪声，而不损害真阳性映射的召回。通过大量的实验，我们发现依赖性的引入使EA的自我训练策略达到了一个新的水平。自我训练在减轻对注释的依赖方面的价值实际上比人们意识到的要高得多。此外，我们建议未来的研究智能数据注释，以打破EA性能的天花板。
2022-11-29 cs.AI cs.CL
Universal Multi-modal Entity Alignment via Iteratively Fusing Modality Similarity Paths
Fudan University（复旦大学）；Purdue University（普渡大学）；Nanyang Technological University（南洋理工大学）；Zhejiang University（浙江大学）
针对多模态实体对齐中模态建模不一致和融合低效的问题，提出PathFusion，通过统一路径建模和迭代融合方法，在真实数据集上显著提升对齐性能。
2023-10-13 cs.AI cs.CL
Collective Entity Alignment via Adaptive Features
National University of Defense Technology（中国人民解放军国防科技大学）；The University of New South Wales（新南威尔士大学）；Collaborative Innovation Center of Geospatial Technology（地理空间技术协同创新中心）
实体对齐（EA）标识引用相同现实世界对象但位于不同知识图谱（KG）中的实体，并已被用于KG构建和集成。在生成EA结果时，当前的解决方案独立地处理实体，而没有考虑实体之间的相互依赖性。为了填补这一空白，我们提出了一个集体EA框架。我们首先采用三个代表性特征，即，结构、语义和字符串信号，其适于捕获异构KG中的实体之间的相似性的不同方面。为了使集体EA决策，我们制定EA作为经典的稳定匹配问题，这是进一步有效地解决延迟接受算法。我们的建议进行了评估，跨语言和单语言EA基准对国家的最先进的解决方案，和实证结果验证了其有效性和优越性。
2020-04-01 cs.AI cs.CL cs.LG
Guiding Neural Entity Alignment with Compatibility
The University of Queensland（昆士兰大学）；Neusoft Research of Intelligent Healthcare Technology, Co. Ltd.（东软智能医疗科技研究院有限公司）；Neusoft Corporation（东软集团股份有限公司）
实体对齐（Entity Alignment，EA）的目的是在两个知识图谱（Knowledge Graph，KG）之间找到等价的实体。虽然已经设计了许多神经EA模型，但它们主要是使用标记数据学习的。在这项工作中，我们认为，在一个KG不同的实体应该有兼容的对应物在其他KG由于潜在的依赖性的实体之间。因此，做出兼容的预测应该是训练EA模型以及拟合标记数据的目标之一：然而，这方面在当前方法中被忽视了。为了使神经EA模型具有兼容性，我们设计了一个训练框架，解决了三个问题：（1）如何测量EA模型的兼容性;（2）如何将兼容性注入EA模型;（3）如何优化兼容性模型的参数。在广泛使用的数据集上进行的大量实验证明了在EA模型中集成兼容性的优势。事实上，在我们的框架内使用仅5%的标记数据训练的最先进的神经EA模型可以实现与使用20%的标记数据的监督训练相当的有效性。
2022-11-29 cs.AI cs.CL
Harnessing Structural Context for Entity Alignment Foundation Models
State Key Laboratory for Novel Software Technology, Nanjing University, Nanjing, China（南京大学新型软件技术国家重点实验室）；Nanjing University of Information Science and Technology, Nanjing, China（南京信息科学技术大学）；National Institute of Healthcare Data Science, Nanjing University, Nanjing, China（南京大学健康数据科学国家研究院）
提出ContextEA框架，通过交叉KG交互编码器和结构校准解码器增强结构上下文的构建与利用，在29个数据集上超越强基线，实现更强的跨KG迁移能力。
2026-06-04 cs.AI cs.CL
Unsupervised Entity Alignment for Temporal Knowledge Graphs
Zhejiang University（浙江大学）；Aalborg University（奥尔堡大学）
实体对齐（EA）是一项基本的数据集成任务，它识别不同知识图谱（KG）之间的等价实体。时态知识图谱是对传统知识图谱的一种扩展，它引入了时间戳，受到越来越多的关注。最新的时间感知EA研究表明，TKG的时间信息有助于EA的性能。然而，现有的研究并没有充分利用时间信息在TKG中的优势。此外，他们通过预先对齐实体对来执行EA，这可能是劳动密集型的，因此效率低下。在本文中，我们提出了DualMatch，有效地融合了EA的关系和时间信息。DualMatch将TKG上的EA转换为加权图匹配问题。更具体地说，DualMatch配备了一种无监督的方法，它可以在不需要种子对齐的情况下实现EA。DualMatch有两个步骤：（i）使用新型无标签编码器Dual-Encoder将时间和关系信息分别编码到嵌入中;以及（ii）使用新型基于图匹配的解码器GM-解码器融合这两种信息并将其转换为对齐。DualMatch能够在有或没有监督的情况下对TKG执行EA，这是由于其有效捕获时间信息的能力。在三个真实世界的TKG数据集上进行的大量实验表明，DualMatch在H@1和MRR方面分别优于最先进的方法2.4% - 10.7%和1.7% -7.6%。
2023-02-08 cs.AI cs.CL cs.IR
Knowledge Graph Embedding Methods for Entity Alignment: An Experimental Review
Institute of Computer Science, FORTH（FORTH计算机科学研究所）；University of Crete（克里特大学）；CY Cergy Paris University（CY塞尔吉-巴黎大学）；ENSEA（国立高等电子及应用学院）；CNRS（法国国家科学研究中心）
本文基于统计可靠方法对主流知识图谱实体对齐嵌入方法开展首次元分析，揭示其与KG元特征的显著相关性，并跨真实KG比较有效性排名及效果—效率权衡。
2023-06-07 cs.AI cs.DB
Rethinking Uncertainly Missing and Ambiguous Visual Modality in Multi-Modal Entity Alignment
Zhejiang University（浙江大学）；The University of Manchester（曼彻斯特大学）；University of Oxford（牛津大学）；The University of Edinburgh（爱丁堡大学）；Tsinghua University（清华大学）；Donghai laboratory（东海实验室）
本文提出鲁棒的多模态实体对齐方法UMAEA，通过新数据集MMEA-UMVM揭示视觉模态缺失与模糊对现有模型的负面影响，并在97个基准划分上以低消耗取得SOTA性能。
2023-08-01 cs.AI cs.CV cs.LG
Knowledge Graph Entity Alignment with Graph Convolutional Networks: Lessons Learned
Ludwig-Maximilians-Universität München（慕尼黑大学）；Fraunhofer Institute for Integrated Circuits IIS（弗劳恩霍夫集成电路研究所IIS）；Siemens AG（西门子股份公司）
在这项工作中，我们专注于知识图谱（KG）的实体对齐的问题，我们报告我们的经验时，应用图卷积网络（GCN）为基础的模型，这项任务。GCN的变体用于多种最先进的方法中，因此了解基于GCN的模型的细节和局限性非常重要。尽管付出了巨大的努力，我们还是无法完全重现原始论文的结果，在对作者提供的代码进行彻底审计后，我们得出结论，他们的实现与论文中描述的架构不同。此外，需要几个技巧才能使模型工作，其中一些不是很直观。我们提供了一个广泛的消融研究，以量化这些技巧和架构的变化对最终性能的影响。此外，我们还研究了当前的评估方法，并将可用的基准数据集系统化。我们相信对KG匹配感兴趣的人可能会从我们的工作中受益，以及进入该领域的新手
2020-01-23 cs.AI cs.LG stat.ML
ClusterEA: Scalable Entity Alignment with Stochastic Training and Normalized Mini-batch Similarities
Zhejiang University（浙江大学）；Aalborg University（奥尔堡大学）
实体对齐的目的是在不同的知识图谱中找到等价的实体。基于嵌入的方法近年来主导了EA任务。这些方法面临的问题来自嵌入向量的几何属性，包括hubness和隔离。为了解决这些几何问题，许多归一化方法已被采用的EA。然而，越来越大的规模的KG渲染EA模型很难采用规范化过程，从而限制了它们在现实世界中的应用。为了应对这一挑战，我们提出了ClusterEA，这是一个通用框架，能够通过利用具有高实体等效率的小批量标准化方法来扩展EA模型并增强其结果。QuantiterEA包含三个组件来对齐大规模KG之间的实体，包括随机训练，QuantiterSampler和SparseFusion。它首先以随机的方式为EA训练一个大规模的Siamese GNN，以产生实体嵌入。在此基础上，提出了一种新的用于高度重叠小批量采样的随机采样器策略。最后，QuarterEA结合了SparseFusion，它对局部和全局相似性进行归一化，然后融合所有相似性矩阵以获得最终的相似性矩阵。在EA基准测试上使用真实数据集进行的广泛实验提供了对所提出的框架的深入了解，并表明它能够在Hits@1方面超过最先进的可扩展EA框架多达8倍。
2022-06-06 cs.AI cs.CL cs.DB
Vision, Deduction and Alignment: An Empirical Study on Multi-modal Knowledge Graph Alignment
Tsinghua University（清华大学）；University of Oxford（牛津大学）；Tencent（腾讯）；Peng Cheng Laboratory（鹏城实验室）；The University of Manchester（曼彻斯特大学）
知识图谱的实体对齐是知识工程中的一个重要问题。现有的EA方法主要集中在利用图的结构和实体属性（包括文字），但忽略了图像是常见的现代多模态知识库。在这项研究中，我们首先构建了Multi-OpenEA -八个大规模的，配备图像的EA基准测试，然后评估了一些现有的基于嵌入的方法来利用图像。鉴于视觉模态信息和逻辑推理的互补性，我们进一步开发了一种新的基于逻辑推理和多模态KG嵌入的多模态EA方法LODEME，并在Multi-OpenEA和其他现有的多模态EA基准测试中取得了最佳性能。
2023-03-12 cs.AI cs.MM
High-quality Task Division for Large-scale Entity Alignment
The University of Queensland（昆士兰大学）；Neusoft Research of Intelligent Healthcare Technology, Co. Ltd.（东软智能医疗科技研究院有限公司）；Neusoft Corporation（东软集团股份有限公司）
实体对齐是实现知识图谱融合的关键步骤，其目的是匹配与现实世界中相同对象相关的等价实体。大多数神经EA模型不能应用于大规模的现实生活中的幼儿园，由于其过度消耗GPU内存和时间。一个有前途的解决方案是将一个大的EA任务分成几个子任务，使得每个子任务只需要匹配原始KG的两个小子图。然而，在不失去有效性的情况下划分EA任务是具有挑战性的。现有的方法显示低覆盖率的潜在映射，在上下文图中的证据不足，并在很大程度上不同的子任务大小。在这项工作中，我们设计了DivEA框架的大规模EA与高质量的任务分工。为了在EA子任务中包含高比例的最初存在于大型EA任务中的潜在映射，我们设计了一种对应的发现方法，该方法利用EA任务的局部性原则和训练EA模型的能力。我们的对应发现方法的独特之处在于对潜在映射的机会进行明确建模。我们还引入了一个证据传递机制来量化上下文实体的信息量，并找到最丰富的上下文图，灵活控制子任务的大小。大量的实验表明，DivEA实现更高的EA性能比替代国家的最先进的解决方案。
2022-08-22 cs.AI cs.IR cs.LG
Knowledge Graph Alignment Network with Gated Multi-hop Neighborhood Aggregation
Nanjing University（南京大学）；University of California, Los Angeles（加利福尼亚大学洛杉矶分校）；Alibaba Group（阿里巴巴集团）
图神经网络（GNN）由于其识别同构子图的能力，已经成为基于嵌入的实体对齐的强大范例。然而，在真实的知识图谱中，对应实体通常具有非同构的邻域结构，这容易导致GNN对它们产生不同的表示。为了解决这个问题，我们提出了一个新的KG对齐网络，即AliNet，旨在以端到端的方式减轻邻域结构的非同构。由于模式异构性，对应实体的直接邻居通常是不相似的，AliNet引入远邻居来扩展它们的邻居结构之间的重叠。它采用了一种注意力机制来突出有用的远距离邻居并减少噪音。然后，它使用门控机制控制直接和远距离邻域信息的聚合。我们进一步提出了一个关系损失，以细化实体表示。我们对五个实体对齐数据集进行了详细的消融研究和分析，证明了AliNet的有效性。
2019-11-20 cs.AI cs.CL cs.LG
Degree-Aware Alignment for Entities in Tail
National University of Defense Technology（国防科技大学）；The University of New South Wales（新南威尔士大学）
实体对齐是在知识图谱中发现等价的实体，它可以连接异构的信息源，促进知识的集成。现有的EA解决方案主要依赖于结构信息来对齐实体，通常通过KG嵌入。然而，在现实生活中的KG中，只有少数实体与其他实体紧密相连，其余大多数实体具有相当稀疏的邻域结构。我们将后者称为长尾实体，并观察到这种现象可以说限制了EA的结构信息的使用。为了缓解这个问题，我们重新审视和研究传统的EA管道，以追求优雅的性能。对于预对齐，我们建议放大长尾实体，这是相对较弱的结构信息，与实体名称信息，通常是可用的（但被忽视）的形式级联功率平均词嵌入。对于对齐，在一个新的互补框架下，巩固结构和名称信号，我们确定实体的程度作为重要的指导，以有效地融合两个不同的信息源。为此，程度感知的共同注意力网络的构想，它动态地调整的重要性的功能，在程度感知的方式。对于后对齐，我们建议通过迭代训练使用自信的EA结果作为锚来补充原始KG与来自其对应方的事实。综合实验评价验证了我们提出的技术的优越性。
2020-05-25 cs.AI cs.CL
Toward Practical Entity Alignment Method Design: Insights from New Highly Heterogeneous Knowledge Graph Datasets
CAS Key Laboratory of AI Safety & Security, Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所人工智能安全与安全重点实验室）；School of Computer Science and Technology, University of Chinese Academy of Science（中国科学院大学计算机科学与技术学院）；IDEA Research, International Digital Economy Academy（国际数字经济学院 IDEA 研究院）；National University of Defense Technology（国防科技大学）
针对现有实体对齐数据集异构性过度简化的问题，本文构建两个高度异构知识图谱数据集，评估代表性方法并提出 Simple-HHEA，揭示适应性、效率与跨图谱模式捕获的重要性。
2024-01-24 cs.AI cs.LG
Deep Active Alignment of Knowledge Graph Entities and Schemata
Nanjing University（南京大学）；Alibaba Group（阿里巴巴集团）
本文提出基于深度学习和主动学习的DAAKG方法，联合对齐知识图谱中的实体、关系和类，通过近似算法优化人工标注批次选择，实验证明其准确性和泛化性。
2023-06-17 cs.AI cs.DB
Unsupervised Knowledge Graph Alignment by Probabilistic Reasoning and Semantic Embedding
Tencent Jarvis Lab（腾讯天衍实验室）；University of Oxford（牛津大学）；Tencent（腾讯）；Zhejiang University（浙江大学）
知识图谱（KG）对齐是为了发现映射（即，等同实体、关系和其他）。现有的方法可以分为基于嵌入的模型和传统的基于推理和词汇匹配的系统。前者通过跨KG嵌入计算实体的相似性，但它们通常依赖于理想的监督学习设置以获得良好的性能，并且缺乏适当的推理以避免逻辑错误的映射;而后者解决了推理问题，但在利用KG图结构和实体上下文方面很差。在这项研究中，我们的目标是结合上述两个解决方案，从而提出了一个迭代框架命名为PRASE，这是基于概率推理和语义嵌入。它从概率推理系统PARIS中通过实体映射学习KG嵌入，并将得到的实体映射和嵌入反馈回PARIS进行增强。PRASE框架与不同的基于嵌入的模型兼容，我们在多个数据集上的实验证明了其最先进的性能。
2021-06-11 cs.AI cs.CL cs.LG
TransEdge: Translating Relation-contextualized Embeddings for Knowledge Graphs
Nanjing University（南京大学）；University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
学习知识图谱（KG）嵌入近年来受到越来越多的关注。文献中的大多数嵌入模型将关系解释为线性或双线性映射函数来操作实体嵌入。然而，我们发现，这种关系级建模不能捕捉不同的关系结构的KG。在本文中，我们提出了一种新的边缘为中心的嵌入模型TransEdge，上下文关系表示在特定的头尾实体对。我们将这种关系的上下文化表示称为边嵌入，并将其解释为实体嵌入之间的转换。TransEdge在不同的预测任务上实现了令人满意的性能。在基准数据集上的实验表明，该算法在基于嵌入的实体对齐方面取得了较好的效果。我们还表明，TransEdge是与传统的实体对齐方法的互补。此外，它在链接预测方面表现出非常有竞争力的性能。
2020-04-22 cs.AI cs.CL cs.LG
