Heterogeneous Entity Matching with Complex Attribute Associations using BERT and Neural Networks
Hohai University（河海大学）
本文提出基于预训练模型的EMM-CCAR实体匹配方法，将匹配转化为序列匹配问题，并利用注意力机制捕捉属性间复杂关联，在F1分数上较DER-SSM和Ditto分别提升约4%和1%。
2023-09-20 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
Jointprop: Joint Semi-supervised Learning for Entity and Relation Extraction with Heterogeneous Graph-based Propagation
Nanyang Technological University（南洋理工大学）
本文提出Jointprop框架，通过基于异构图的标签传播实现命名实体识别与关系抽取的联合半监督学习，利用任务间关联和未标注数据相似性，在基准数据集上超越现有半监督方法。
2023-05-25 cs.AI cs.CL
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
HomoEnsNER: Does Language Alignment Outperform Architectural Complexity in Gujarati Named Entity Recognition?
该研究针对古吉拉特语NER，提出同构集成模型HomoEnsNER，经实验证实其F1值优于基线及异构模型，表明语言对齐比架构复杂度更适合低资源印度语言NER。
2026-08-07 cs.CL
Label Noise Reduction in Entity Typing by Heterogeneous Partial-Label Embedding
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Army Research Laboratory（美国陆军研究实验室）；Rensselaer Polytechnic Institute（伦斯勒理工学院）
当前的细粒度实体分类系统结合现有的知识库使用远程监督来为实体提及分配类别（类型标签）。然而，这样从知识库获得的类型标签通常是有噪声的（即，对于实体提及的本地上下文不正确）。我们定义了一个新的任务，标签噪声减少实体分型（LNR），是正确的类型标签（类型路径）的训练样本的自动识别，给定的候选类型标签集通过远程监督与给定的类型层次结构。单个实体提及的未知类型标签和实体类型之间的语义相似性为解决LNR任务提出了独特的挑战。我们提出了一个通用的框架，称为PLE，共同嵌入实体提到，文本功能和实体类型到同一个低维空间，在该空间中，对象的类型是语义接近有类似的表示。然后，我们使用学习的嵌入以自顶向下的方式估计每个训练样本的类型路径。我们制定了一个全球性的目标，学习嵌入文本语料库和知识库，它采用了一种新的边缘为基础的损失，是强大的噪声标签和忠实的模型类型相关性来自知识库。我们在三个公共类型数据集上的实验证明了PLE的有效性和鲁棒性，与次优方法相比，准确率平均提高了25%。
2016-02-17 cs.CL cs.LG
Setoka: A Benchmark for Hierarchical User Understanding in Personalized Agents over Heterogeneous Data
本研究提出Setoka基准测试集，评估记忆增强型个性化智能体的分层用户理解能力，发现现有系统在需整合异构信息的任务中性能下降，推动相关记忆机制设计。
2026-08-04 cs.AI cs.CL
Full Triple Matcher: Integrating all triple elements between heterogeneous Knowledge Graphs
National Institute of Informatics（日本国立信息学研究所）；Graduate University for Advanced Studies, SOKENDAI（研究生高级研究大学，SOKENDAI）
针对现有知识图谱匹配未充分探索上下文匹配、难适配异构图谱差异的问题，提出结合标签匹配与三元组匹配的Full Triple Matcher方法，通过三元组映射提升实体匹配精度，性能表现优异并推出新评估数据集。
2025-07-20 cs.CL
Integrating a Heterogeneous Graph with Entity-aware Self-attention using Relative Position Labels for Reading Comprehension Model
Semnan University（塞姆南大学）
本文提出一种无需外部知识的注意力模式，将异构图推理知识与LUKE实体感知自注意力结合，并在ReCoRD和WikiHop上超越LUKE及LUKE-Graph模型。
2024-01-13 cs.CL cs.LG
Dialogue Relation Extraction with Document-level Heterogeneous Graph Attention Networks
Singapore University of Technology and Design（新加坡科技设计大学）
对话关系抽取（DRE）的目的是检测在多方对话中提到的两个实体之间的关系。它对于从互联网上日益丰富的会话数据中构建知识图谱，促进智能对话系统的发展具有重要作用。先前的DRE方法并没有有意义地利用说话人信息，它们只是在话语前面加上各自的说话人名字。因此，他们未能模拟关键的说话人之间的关系，可能会通过代词和触发器提供额外的上下文相关的论点实体。然而，我们提出了一个基于图注意力网络的方法DRE的图，其中包含有意义的连接扬声器，实体，实体类型，和话语节点，构建。该图被馈送到图注意力网络，用于在相关节点之间进行上下文传播，从而有效地捕获对话上下文。我们的经验表明，这种基于图的方法非常有效地捕捉了对话中不同实体对之间的关系，因为它在基准数据集DialogRE上的表现明显优于最先进的方法。我们的代码发布于：https://github.com/declare-lab/dialog-HGAT
2021-06-20 cs.CL
Jointly Learning Entity and Relation Representations for Entity Alignment
Peking University（北京大学）；University of Leeds（利兹大学）
实体对齐是集成不同知识图谱之间异构知识的一种可行方法。该领域的最新发展通常采用基于嵌入的方法来建模KG的结构信息，以便可以在嵌入空间中轻松执行实体对齐。然而，大多数现有的作品没有明确利用有用的关系表示，以协助实体对齐，这是一个简单而有效的方法，提高实体对齐。本文提出了一种新的实体对齐联合学习框架。我们的方法的核心是一个基于图卷积网络（GCN）的框架，用于学习实体和关系表示。我们不是依靠预先对齐的关系种子来学习关系表示，而是首先使用GCN学习的实体嵌入来近似它们。然后，我们将关系近似合并到实体中，以迭代地学习两者的更好表示。在三个真实世界的跨语言数据集上进行的实验表明，我们的方法大大优于最先进的实体对齐方法。
2019-09-20 cs.CL
Explainable Entity-based Recommendations with Knowledge Graphs
Carnegie Mellon University（卡内基梅隆大学）
可解释性推荐是一项重要任务。已经提出了许多方法，这些方法从为项目编写的内容和评论中生成解释。当评论文本不可用时，生成解释仍然是一个难题。在本文中，我们说明了如何解释可以在这样的情况下，利用外部知识的形式知识图谱。我们的方法联合排名项目和知识图谱实体使用个性化的PageRank过程产生的建议连同他们的解释。
2017-07-12 cs.CL cs.IR
Is Aligning Embedding Spaces a Challenging Task? A Study on Heterogeneous Embedding Alignment Methods
FIZ Karlsruhe – Leibniz Institute for Information Infrastructure（FIZ卡尔斯鲁厄——莱布尼茨信息基础设施研究所）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
词和知识图谱（KG）到低维向量空间的表示学习及其在许多现实世界场景中的应用最近获得了动力。为了将多个KG嵌入用于知识驱动的应用，例如问答、命名实体消歧、知识图谱完成等，不同KG嵌入空间的对齐是必要的。除了多语言和特定领域的信息，不同的KG提出了结构差异的问题，使KG嵌入的对齐更具挑战性。本文从理论上分析和比较了实体-实体和实体-词两种嵌入空间的对齐方法。本文还以不同的应用为前提，对现有的对准方法的性能和不足进行了评估。
2020-04-15 cs.AI cs.CL cs.LG
Leveraging Deep Neural Networks and Knowledge Graphs for Entity Disambiguation
Rensselaer Polytechnic Institute（伦斯勒理工学院）；Google Research（谷歌研究院）
实体消歧旨在将模糊实体的提及链接到知识库（例如，Wikipedia）.主题连贯性的建模是至关重要的这项任务的基础上，假设来自相同的语义背景下的信息往往属于同一主题。提出了一种基于深度神经网络和语义知识图谱的深度语义相关度模型（DSRM）来度量实体语义相关度，用于主题一致性建模。DSRM直接在大规模KG上训练，它将实体的异构类型的知识从KG映射到潜在空间中的数值特征向量，使得两个语义相关实体之间的距离最小化。与Milne and Witten，2008 a提出的最新相关性方法相比，DSRM在两个公开数据集上的实体消歧错误分别减少了19.4%和24.5%。
2015-04-28 cs.CL
Personalized Federated Fine-tuning for Heterogeneous Data: An Automatic Rank Learning Approach via Two-Level LoRA
George Mason University（乔治梅森大学）
针对联邦微调中预定义秩无法适应数据异构性的问题，提出基于两级 LoRA 的个性化联邦微调算法 PF2LoRA，通过自动学习各客户端适配秩实现个性化，在极少额外内存开销下显著提升了自然语言理解与生成任务的性能。
2025-03-05 cs.CL cs.LG
Relation-Aware Question Answering for Heterogeneous Knowledge Graphs
Wangxuan Institute of Computer Technology, Peking University（北京大学王选计算机研究所）；Institute for Artificial Intelligence, Peking University（北京大学人工智能研究院）；Ant Group（蚂蚁集团）；The National Key Laboratory of Cross-Media General Artificial Intelligence（跨媒体通用人工智能全国重点实验室）；Beijing Institute for General Artificial Intelligence (BIGAI)（北京通用人工智能研究院）
针对多跳KBQA中现有检索式方法关系表示固定、未利用头尾实体与关系间语义关联的问题，提出构建对偶关系图并迭代执行双图推理交互的方法，在两个公开数据集上取得了优于现有SOTA的性能。
2023-12-19 cs.AI cs.CL
Linking Hadith Narrator Identities Across Heterogeneous Arabic Biographical Databases: A Multi-Signal Entity Resolution Pipeline
Research Center for Computing, National Research and Innovation Agency (BRIN)（计算研究中心，国家研究与创新局）；Department of Mathematics, Faculty of Sciences, Universiti Teknologi Malaysia（数学系，科学学院，马来西亚技术大学）
研究旨在跨异构阿拉伯语传记数据库链接圣训叙述者身份，提出两阶段实体解析管道，先仅用名字相似度匹配，再结合多信号函数交叉引用，最终构建丰富的有向传输图并发布相关资源。
2026-07-08 cs.CL cs.DL cs.IR
UniHEAR: Unified Heterogeneous-Source Attentive Retrieval for Knowledge-Based Visual Question Answering
School of Aeronautics and Astronautics, Sichuan University（四川大学航空航天学院）
针对KB-VQA现有系统的单源检索瓶颈与检索源盲重排序问题，提出UniHEAR框架，在E-VQA和InfoSeek数据集上实现最优检索与VQA性能，提升Recall@1达6.7和1.2个点。
2026-08-06 cs.CL cs.CV cs.IR
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
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
Heterogeneous Relational Reasoning in Knowledge Graphs with Reinforcement Learning
University of Notre Dame（圣母大学）
知识图谱上基于路径的关系推理由于诸如对话系统中的问答、事实预测和推荐系统等各种下游应用而变得越来越流行。近年来，强化学习（RL）提供了比其他深度学习模型更可解释和解释的解决方案。然而，这些解决方案仍然面临着一些挑战，包括RL代理的大动作空间和实体邻域结构的准确表示。我们解决这些问题，通过引入一个类型增强RL代理，使用本地邻域信息的有效路径为基础的推理知识图谱。我们的解决方案使用图神经网络（GNN）编码的邻域信息，并利用实体类型修剪的动作空间。在真实世界数据集上的实验表明，该方法的性能优于最先进的强化学习方法，并在训练过程中发现了更多的新路径。
2020-03-12 cs.CL cs.LG stat.ML
TransGCN:Coupling Transformation Assumptions with Graph Convolutional Networks for Link Prediction
University of California, Santa Barbara（加州大学圣巴巴拉分校）
链接预测是统计关系学习中一个重要且经常被研究的任务，它有助于理解知识图谱（KG）的结构。受图卷积网络（GCN）在图形数据建模方面的成功启发，我们提出了一个统一的GCN框架，名为TransGCN，以解决这一任务，其中关系和实体嵌入同时学习。为了处理KG中的异构关系，我们引入了一种新的方式表示异构邻域通过引入转换假设的主题，关系，和对象的三元组之间的关系。具体来说，关系被视为将头实体转换为尾实体的转换运算符。在我们的框架中，transE的平移假设和旋转假设RotatE的探索。另外，代替仅学习基于卷积的编码器中的实体嵌入，同时学习解码器中的关系嵌入，如由现有技术的模型所完成的，例如，R-GCN，TransGCN框架在图卷积操作期间同时训练关系嵌入和实体嵌入，因此与R-GCN相比具有更少的参数。实验表明，我们的模型优于最先进的方法在FB 15 K-237和WN 18 RR。
2019-10-01 cs.CL cs.LG stat.ML
EventEA: Benchmarking Entity Alignment for Event-centric Knowledge Graphs
Nanjing University（南京大学）
实体对齐是指在不同的知识图谱（KG）中找到引用相同现实世界对象的相同实体。基于嵌入的实体对齐技术由于能够解决不同知识库中的符号异构问题而受到广泛关注。然而，在本文中，我们表明，在过去取得的进展是由于偏见和不具挑战性的评价。我们强调了现有数据集中的两个主要缺陷，这些缺陷有利于基于嵌入的实体对齐技术，即，关系三元组的同构图结构和属性三元组的弱异质性。为了对基于嵌入的实体对齐方法进行批判性评估，我们基于以事件为中心的KG构建了一个具有异构关系和属性的新数据集。我们进行了广泛的实验，以评估现有的流行的方法，并发现他们未能实现有前途的性能。作为一种新的方法，这个困难的问题，我们提出了一个时间感知的文字编码器的实体对齐。数据集和源代码是公开的，以促进未来的研究。我们的工作需要更有效和实用的基于嵌入的解决方案，以实体对齐。
2022-11-05 cs.AI cs.CL cs.LG
