文章目录

0.总结
1.Introduction
2.Preliminaries
- 2.2 Scope and Related work
- - 2.2.1 Entity Linking=entity disambiguation
  - 2.2.2 Entity resolution=entity matching=deduplication=record linkage
  - 2.2.3 Entity resolution on KGs
  - 2.2.4 EA
3.general框架
- 3.1 Embedding Learning Module
- 3.2 Alignment Module
- 3.3 Prediction Module
- 3.4 Extra Information Module
4 实验分析
- 4.1分类
- 4.2数据集
- - 4.2.1 Metric
  - - 4.2.2 比较的方法
- 4.3 DBP15K
- 4.4 SRPRS
- 4.5 DWY100k
4.6 速度分析
- 4.7 无监督方法比较
- 4.8 Module-Level Evaluation
- 4.9总结
- 4.10 指导和建议
5. 新的数据集和未来的实验？
- 5.1 数据集的构建DBP-FB
- 5.2 实验
- 5.3 unmatchable entities

0.总结

"An Experimental Study of State-of-the-Art Entity Alignment Approaches".
Xiang Zhao, Weixin Zeng, Jiuyang Tang, Wei Wang, Fabian Suchanek. TKDE, 2020 [paper][笔记]

推荐结论：
- 详尽的实验分析
- 各种组件的功能性分析（各种技术排列组合）
- 具有unmatch实体的数据集：DBP-FR
- 对模型的选择提出了建议
短评
- 优点：实验分析好
- 缺点：模型架构分类不清晰（不知道他指的是什么）
类别：
- 实体对齐
- 基于embedding的实体对齐
- 综述
- DBP-FR
数据集：
- 自己提出的：DBP-FR
- DWY100k：稠密，单语言，大
- DBP15k：稠密，跨语言
- SRPRS：稀疏
图谱
- wikidata/DBpedia/yago3/Freebase
- 规模：15K/100K–候选实体也差不多这么多
底层模型：
- 监督、半监督、无监督
- 关系嵌入
  - transE系列
  - GCN系列
- 额外信息：属性嵌入（文本嵌入）/entity name
- bootstrapping
- ER用作EA
速度
- GCN可扩展性好：不会在大数据集上变得特别慢
开源软件情况：无
评估质量：-
- P/R/F1
- Hits@1,Hits@10,MRR

1.Introduction

动机

比较：
- 不公平
  - 经验估计
  - 设置不同
    - 只用KG/用额外信息
    - 一次对齐/迭代训练
- datasets
  - 完整的实验评估：没有在所有数据集上评测的方法，难以比较
    - 使用场景
      - 单语言/多语言
      - 稀疏/稠密
      - 大规模/中等规模
- 与真实世界数据存在差异
  - 1v1:
    - dataset：1v1
    - 实际：1v0占大多数
  - 单语言名字歧义
    - dataset:同名同实体
    - 实际：同名不同实体/同实体不同名

贡献

a general EA framwork
将方法分组，组内+组间评估
在不同场景下评估
新的数据集：
- 单语言
- unmatchable entity
- ambiguous entity

2.Preliminaries

2.2 Scope and Related work

实体对齐entity alignment
- entity resolution
- entity matching
- record linkage
- deduplication
- instance/ontology matching
- link discovery
- entity linking/entity disambigution
- 相关工作

2.2.1 Entity Linking=entity disambiguation

mention（自然语言）->实体（KG）
- 所用信息
  - words:mention附近的
  - 目标实体的先验概率
  - 已经消歧的实体mentions
  - 背景知识（wikipedia）
- entity alignment缺失上述信息
  - 实体描述的embedding（我们有）
  - 给定mention的entity linking的先验分布

2.2.2 Entity resolution=entity matching=deduplication=record linkage

输入：relational data
- 每个data有许多属性（文本信息）（我们也有）
相似度
- object间的
- 用distance/similarity
  - names:Jaro-winkler distance
  - dates:numerical distance
方法
- 规则
- 机器学习
- 分类：匹配与否
- 具体
  - 对齐属性
  - 计算属性值之间的相似度
  - 聚合属性的相似度->records的相似度

2.2.3 Entity resolution on KGs

ER
- KG+二元关系：如graph-shaped data
  - 也用于instance/ontology matching methods
  - graph-shaped data：
    - 困难：
      - textual descriptive information:文本描述中实体很少出现或仅仅只有实体名
      - Open World Assumption:在KG中可能不存在实体的属性在现实中也可能存在（不完备）
        这是和数据库的差别
      - additional predefined semantics:
        最简单：有分类
        
        复杂：具备逻辑公理的本体论

2.2.4 EA

分类：
- Scope:
  - entity alignment<-本文只考虑这个
  - relation
  - 类别对齐：class of taxonomies of two KGs
  - 方法：有一次性执行三种任务的joint model
- Background knowledge
  - OAEI:使用ontology(T-box)作为背景信息
  - 本文：不适用ontology的方法
- Training
  - 无监督：PARIS，SIGMa
  - 有监督：基于pre-defined mappings的
  - 半监督
EA with deep leaning:
- 基于graph representation learning technologies
  - 建模KG结构
  - 生成实体嵌入
比较
- 无监督
  - PARIS
  - Agreement-MakerLight(AML):使用背景信息
- ER方法
  - goal相同：EA=ER–因为相同所以比较ER方法
Bechmarks:
- 语言内+DBPedia
  - DBP15K
  - DWY15
  - 问题：现有的Bechmarks，只包含schema和instance信息。对不假设有可用的本体的EA方法来说。–所以本文不介绍本体？
PS:
- OAEI:推广了KG track
- 不公平

3.general框架

Embedding
- transE
- GCN
Alignment
- 2个向量映射到一个空间
- 训练一个相同的向量
- Transition
- Corpus-fusion
- Margin-based
- Graph matching
- Attribution refined
Prediction：
- 相似度计算：
  - cosine
  - euclidean
  - Manhattan distance
Extra information Module
- 用以增强EA
- 方法
  - bootstrapping(or self-learning:
    - 利用置信度高的对齐结果加入训练数据（下个iteration）
  - multi-type literal information
    - 属性
    - 实体描述
    - 实体名
    - 完善KG的结构
模块级别的比较
- 在个模块下介绍各方法如何实现该模块

3.1 Embedding Learning Module

TransE
- 有实体结构信息
- 有相似邻居的实体距离更接近‘
- 改变：
  - MTransE:
    - 训练：删除负的三元组，
    - 容易过拟合
  - BootEA,NAEA
    - loss：margin-based loss->a limit-based objective function
GCN
- 直接在图结构上操作
- 节点级嵌入：包含邻居信息
- 可以获得几跳的实体信息
- !!:GCN忽略关系
- MuGNN:logistic loss
  - 基于attention的GCN
  - 给不同的邻居分不同的权重
- KECG:
  - Graph attention network(GAT)+TransE获得图内结构和图内对齐信息
- RDGCN:使用DPGCNN
loss:
- BootEA,NAEA:a limit-based objective function
- MuGNN:logistic loss
- JAPE:design new loss?
设计新的embedding models:
- RSNs:使用RNN建模长期关系依赖，在实体间传递语义信息
  - RNN+residual learning
- Trans Edge
  - new energy function:
    - 目的：测量实体嵌入之间边的错误传递（embedding学习中）
    - 边的嵌入：通过context compression 和projection建模

3.2 Alignment Module

同一多个KG的embeddings
方法
- margin-based function
  - pos:seed entity pairs
  - neg:替换pos的实体
  - 作用：让两个KG的embedding–>一个向量空间
    - 特例：
      - GM-Align:通过最大化seed之间的匹配概率–匹配框架
  - 使用：GNN的方法
- corpus fusion
  - 利用seed建立语料间的bridge
  - eg
    - BootEA and NAEA:交换seed entity pairs的实体产生新的三元组,来校准embedding到同一个空间
    - Others：
      - 将seed entity pairs的实体当做同一个实体对待，以此建立一个overlay 图，链接两个KG
- transition functions:
  - 设计一种transition,将KG1=M KG2,map
  - 使用额外的信息：
    - 实体的属性
  - ->同一个空间

3.3 Prediction Module

相似度计算：
- 欧几里得
- Manh
- cos
GM-Align:
- 对齐到原实体的目标实体具有更高的匹配概率
CEA:
- 问题：不同的EA决策中有额外的相互依赖，导致错误的对齐
- 解决：建模collective signal,形式化为稳定匹配问题（distance measure)

3.4 Extra Information Module

bootstrapping
- (self-learning,Iterative training)
- 上一步的预测，放入下一步的训练中
- 可信实体对的选择策略不同
  - ITransE:
    - threshold-based strategy
    - 可以多对多
  - BootEA ，NAEA,TransEdge
    - a maxmum likelihood matching
    - 约束：1vs 1
multi-type literal information
- statistical characteristics of attribute names:JAPE,GCN-Align,HMAN
- generate attribute embeddings:AttrE ,MultiKE
entity names
- 作为学习实体嵌入的输入特征：GM-Align,RDGCN,HGCN
- CEA:利用实体名的语义级别和字符串级别的信息，作为individual features(个别特征？）
- KDCoE:HMAN+描述增强：编码实体描述，作为实体对齐的特征
问题：
- 数据集缺乏textual information，对KDCoE,MultiKE,AttrE不利

4 实验分析

4.1分类

组1：仅用KG结构
组2：+bootstrapping
组3：+额外信息

4.2数据集

Embedding数据集
- FBK15
- FBK15-237
- WN18
- WN18RR
传统实体对齐数据集：
- OAEI(since 2004）
embedding实体对齐数据集
- DBP15K：
  - 跨语言:
    - zh-en,
      - zh:关系三元组数：70414，关系数1701，属性三元组数：248035
      - en: 关系三元组数：95142，关系数1323，属性三元组数：343218
    - ja-en,
      - ja:关系三元组数：77214，关系数1299，属性三元组数：248991
      - en: 关系三元组数：93484，关系数1153，属性三元组数：320616
    - fr-en
      - fr:关系三元组数：105998，关系数903，属性三元组数：273825
      - en: 关系三元组数：115722，关系数1208，属性三元组数：351094
  - 实体对齐连接数：15k（每对语言间）
  - 度的分布：大多在1，从2-10,度越大，实体数量下降
  - DBPedia
- WK3L
- DWY100K：
  - 每个KG实体数：100k
  - 单语言：
    - DBP-WD,
      - DBP:关系三元组数：463294，关系数330，属性三元组数：341770
      - WD:关系三元组数：448774，关系数220，属性三元组数：779402
    - DBP-YG
      - DBP:关系三元组数：428952，关系数302，属性三元组数：383757
      - YG:关系三元组数：502563，关系数31，属性三元组数：98028
    - (DBP:DBPedia,YG:Yago3,WD:wikidata)
  - 每对有100k个实体对齐连接
  - 度的分布：没有度为1or2的，峰值在4，之后递减
- SRPRS
  - 认为以前的数据集太稠密了（DBP,DWY),度的分布偏离现实
  - 跨语言：
    - EN-FR,
      - EN:关系三元组数：36508，关系数221，属性三元组数：60800
      - FR:关系三元组数：33532，关系数177，属性三元组数：53045
    - EN-DE
      - EN:关系三元组数：38363，关系数220，属性三元组数：55580
      - DE:关系三元组数：37377，关系数120，属性三元组数：73753
  - 单语言：
    - DBP-WD,
      - DBP:关系三元组数：33421，关系数253，属性三元组数：64021
      - WD:关系三元组数：40159，关系数144，属性三元组数：133371
    - DBP-YG
      - DBP:关系三元组数：33748，关系数223，属性三元组数：58853
      - YG:关系三元组数：36569，关系数30，属性三元组数：18241
  - 每种有15k个实体对齐连接
  - 度的分布：很现实
    - 度小的实体多（精心取样）
- EN-FR
- DBP-FB（An Experimental Study of State-of-the-Art Entity Alignment Approaches）
  - DBP: 关系三元组数：96414，关系数407，属性三元组数：127614
  - FB:关系三元组数：111974，关系数882，属性三元组数：78740
度的分布
EN-FR的统计

4.2.1 Metric

对齐质量：准确性和全面性
- MR
- MRR
- Hits@m:m=1为precision
- precision/recall/f1
  - 传统方法再用
对齐效率：分区索引技术对候选匹配对的筛选能力和准确性
- 缩减率
- 候选对完整性
- 候选对质量

4.2.2 比较的方法

JAPE -> JAPE-Stru
GCN-Align -> GCN

ER的方法
- Lev:Levenshtein distance
- Embed:name embedding 的cos
- embedding:用fasttext (预训练的）
- 多语言：MUSE word embedding

4.3 DBP15K

CEA
- 输出实体对，而非排名
仅使用KG结构
- RSNs最好：长关系路径信息的获取–结构信息活动取得好
- MuGNN==KECG
  - 共享的目标：their shared objective of completing KG
  - 协调差异性
  - Completing的实现
    - MuGNN:
      - 利用AMIE+引入规则
    - KECG:
      - harnesses transE
- 其他三种较差：
  - MTransE和JAPE-Stru：使用TransE
    - JAPE-Stru好一点：因为MTransE在不同的空间中建模KG的结构，在转移时丢失了信息
  - GCN好于上面两个
+bootstrapping
- 最差：
  - ITransE:
    - 原因1：两种embedding之间的translation 造成了信息丢失
    - 原因2：bootstrapping 太简单了，缺乏有效的抑制错误积累的方式
- NAEA<BootEA<TransEdge
  - bootstrapping策略相同
  - NAEA<BootEA:使用attention–获得了邻居信息,理论上更好，但并没有
  - TransEdge：最好
    - edge-centric embedding：获得结构信息
      - 产生了更多精确的实体embedding–>更准确地alignment
+额外信息
- 属性信息:超过了仅用结构的方法
  - JAPE
  - GCN-Align
  - HMAN>GCN-Align>JAPE:
    - HMAN考虑了关系类型（input)
- entity name information：比用属性的效果好
  - RDGCN约等于HGCN>GM-Align:
    - 前二者用关系去优化entity-embedding 的学习–这个在GNN模型中被忽视
  - CEA:最好，有效利用和融合了可用的特征
name-based heuristics:ER
- Embed:支持跨语言（好不了，但也不差，和基于结构的方法差不多）
- Lev:支持相近语言和单语言
类间比较
- CEA最好的Hits@1
- 其他的指标比较好的模型：
  - TransEdge
  - RDGCN
  - HGCN
  - 外加信息的胜利–>使用bootstraping和textual information有效
- ER:
  - Embed：超过了大多没有用entity name的方法–precision上
    - ER对EA有效
    - 比不过其他使用entity name的方法（因为entity name有效所以Embed有效
- 语言屏障
  - 组1/2：支持跨语言,egTransEdge
  - 使用实体名称的方法对跨语言支持弱
    - 支持相近/单语言
    - eg:Lev,HGCN

4.4 SRPRS

稀疏的数据集
仅KG结构
- RSNs最好
- KECG:第二，但很接近RSNs了
- 和DBP15k不同：MuGNN效果差，因为SRPRS没有对齐的关系，因为rule transfering失效
+bootstrapping:TransEdge依然最好
+额外
- 属性：
  - GCN-Align:最好：因为他合并了属性
  - GCN/JAPE：
    - JAPE:合并属性信息对他没有贡献？
    - SRPRS中属性太少了
- entity name:效果更好
  - CEA:100%，
ER:在单语言中entity name相同，所以效果都很好
- Embed:单语言、跨语言都可
- Lev ：单语言/相近语言
单语言KG间：相同的实体有相同的名字，仅比名字就效果不错—这在相近语言中也适用
- 不一定，但大多
- 电影电视剧之类的第几季还是有区别的
类间
- 和DBP15k不同：实体名称的方法
  - 原因
    - KG 结构不怎么有效在这个数据集上。
    - 实体名在单语言数据集和相近语言对的跨语言数据集上很重要（很有用）

4.5 DWY100k

RDGCN,NAEA：占内存大
- 实验环境下跑不出来：n Intel Core i7-4790 CPU, an NVIDIA GeForce GTX TITAN X GPU and 128 GB memory
DWY100k：
- 更丰富的KG结构信息：MuGNN和KECG效果好
- Bootstrapping:
  - 进一步改进了结果
  - BootEA、TransEdge：效果略低于论文
- +其他信息
  - CEA:100%ground-truth
- ER
  - 类似SRPRS:LEv,Embed：ground-truth–100%

4.6 速度分析

DBP15k,SRPRS:GCN>
- GCN:快，且结果一致（不同版本间）
- ITransE,JAPE-Stru
- Others:1000-10000s
- NAEA<GM-Align：>10000s
DWY100k：
- MuGNN,KECG,HMAN：由于内存所限不能用gpu，所以用了cpu
- 1ws内：GCN-Align,GCN,ITransE
- GM-Align:5天
- 大多10000s-100,000s
- 可伸缩性差：NAEA,RDGCN,GM-Align

4.7 无监督方法比较

无监督的方法
- PARIS:literal sim
- AML:ontology+KG背景信息
指标F1
PARIS/AML<CEA
- CEA：效果好，但依赖于训练数据
- 无监督虽然不用训练数据，但效果也不错
  - AML>PARIS：ontology information提升了对齐的结果
    - AML需要本体信息，所以挖掘了本体信息，但只成功在 SRPRSEN-FR and SRPRSEN-DE上运行

4.8 Module-Level Evaluation

组合不同的模块
embedding：
- TransE
- GCN
alignment:
- margin-based loss(mgn）
- corpus fusion strategy(cps)?(swap? )
相似度
- cos
- manh
- Euc
额外的信息
- ItransE的bootstrapping
- 多种信息Mul
  - 语义
  - 实体名称
组合
- GCN+mgn
- TransE+cps
效果
- bootstrapping：提升性能
- Embedding:GCN+MGn>TransE+Cps
- 距离：cos在TransE上好，在GCN上差
  - 引入entity name后，cos都好
- 所有都用上，得到最好的效果

4.9总结

EA vs ER
- EA：使用KG结构，图
  - 只依赖于KG结构的方法
    - 不擅长处理的实体类型：
      - 长尾
      - 邻居相似，但不是相同的实体（结构相似）
    - 解决：
      - +文本信息—可以用ER的方法
- ER用于EA:
  - 很大程度依赖于文本相似性
  - 仅用结构<ER<结构+entity name
  - 文字相似性->实体等价性：这个可以用于EA
不同数据集的影响
- EA在不同数据集上差异巨大
- 密集数据：普遍好
- 语言：单语>k跨语言
  - 单语最好CEA,Lev,Embed
    - 100%
    - 等价实体=名字同

4.10 指导和建议

模型选择指南
输入信息
- 只有结构信息：从第一组和第二组中选择
- 额外信息多：第三种方法中选
数据规模
- 一些效果好的方法，可伸缩性差（小数据可以，大了就挂了）
- 大规模数据：简单却有效的方法：GCN-Align
对齐的目的
- 只关注对齐的实体：
  - GNN的模型：健壮+可扩展性强（容易扩展到大数据集上）
- 还有其他任务：关系的对齐
  - KG表示的方法：TransE,本质上可以学习实体和关系的表示，而且关系对齐可以帮助实体对齐
bootstrapping的权衡
- 有效，可以逐步增强数据集
- 问题：错误累积，耗时
- 是否用bootstrapping?依据数据集
  - 数据集简单：有丰富的文字信息且密度大（多大？）
    - 可以用bootstrapping
  - 很难的话就算了，错误会不断积累的
未来研究的建议
- 长尾：
  - 有研究用额外的信息
  - [66] W. Zeng, X. Zhao, W. Wang, J. Tang, and Z. Tan. Degree-aware alignment for entities in tail. In SIGIR, 2020.
- 多模态EA
  - 一个实体可以与多种形式的信息关联
  - [39] Y. Liu, H. Li, A. Garc´ıa-Dur´an, M. Niepert, D. O˜noro-Rubio, and D. S.
    Rosenblum. MMKG: multi-modal knowledge graphs. In P. Hitzler,
    M. Fern´andez, K. Janowicz, A. Zaveri, A. J. G. Gray, V. L´opez, A. Haller,
    and K. Hammar, editors, ESWC, volume 11503 of Lecture Notes in
    Computer Science, pages 459–474. Springer, 2019.
- 开放世界
  - 现在大多EA的假设：源KG的实体总能在目标KG找到一个对齐的实体
  - 需要标注数据

5. 新的数据集和未来的实验？

新的数据集
- 目的：
  - 单语言数据集中同名同实体，但实际是有歧义的
  - 一个id对应一个或多个mention，但是是互相匹配的
    - 现实：同名的实体但可能不是一个实体
      - 在YAGO3中，34%的实体有一个由多个实体共享的名称。
    - 现有的数据集中没有这种情况(不然也做不到100%）
  - 一定会有对齐的实体
    - 实际不一定啊
  - 总之，数据集都太简单了

5.1 数据集的构建DBP-FB

实体名称的id表示–实体名称的困难
- 目标用Freebase：id,且有同名实体
- 源：DBPedia，包含Freebase的外部链接（有答案）
构建
- 包含参与三元组但不参与对齐

5.2 实验

不存在不对齐实体的性能
存在无对齐实体的EA性能
- 现在的模型效果都比SRPRS差：因为结构的异构性更高
  - 实体分布也差异很大，难以用结构信息
- 实体名称仍然会产生最好的结果，但比单语言数据集差
  - 实体名称模糊的挑战

5.3 unmatchable entities

CombEA
- 召回高，精度低：因为给每一个源实体都匹配了一个目标实体
- 现在的EA都有这个问题
解决必有答案的问题d的策略：NIL阈值 $θ\theta$ $θ$
- 距离大于 $θ\theta$ 就舍弃，不能对齐

【实体对齐·综述】An Experimental Study of State-of-the-Art Entity Alignment Approaches相关推荐

[实体对齐综述]A benchmark and comprehensive survey on knowledge graph entity alignment via representation
基于表示学习的知识图谱实体对齐的基准和综合综述 Rui Zhang, Bayu Distiawan Trisedya ,Miao Li, Yong Jiang Jianzhong Qi VLDB Jo ...
最先进的实体对齐方法的实验研究综述 An Experimental Study of State-of-the-Art Entity Alignment Approaches
最先进的实体对齐方法的实验研究 An Experimental Study of State-of-the-Art Entity Alignment Approaches Xiang Zhao, We ...
【实体对齐·综述】A Benchmarking Study of Embedding-based Entity Alignment for Knowledge Graphs
文章目录模板的简述简述 1.Introduction 2. preliminatries 2.1 literature review 2.1.1 knowledge graph embedding ...
实体对齐（Entity Alignment）相关论文与数据集整理
实体对齐(Entity Alignment).知识图谱融合论文方法总结整理传统的实体对齐方法主要通过属性相似度匹配的方式实现,利用有监督学习的机器学习模型,如:决策树.支持向量机.集成学习等.依赖实 ...
【实体对齐·BootEA】Bootstrapping Entity Alignment with Knowledge Graph Embedding
文章目录 0.总结 1.动机 2. 贡献+方法 3.应用场景 4.其他模型 5.数据集 6.效果以下的是组内比较 BootEA: "Bootstrapping Entity Alignme ...
实体对齐——阅读笔记
实体对齐实体对齐简介:不同的只是图谱对同一个实体的描述,会有差异.通过知识融合可以将不同知识图谱中的只是进行互补融合. 实体对齐的目的:判断两个或者多个不同信息来源的实体是否为指向真实世界中同一个对 ...
SLAM综述阅读笔记七：Visual and Visual-Inertial SLAM: State of the Art, Classification,and Experimental 2021
Visual and Visual-Inertial SLAM: State of the Art, Classification,and Experimental Benchmarking 作者:M ...
论文浅尝 | 基于属性嵌入的知识图谱实体对齐
论文笔记整理:王中昊,天津大学硕士,方向:自然语言处理. 来源:AAAI2019 论文链接: https://doi.org/10.1609/aaai.v33i01.3301297 概述知识图谱之间 ...
强化学习和知识图谱实体对齐
<Deep Reinforcement Learning for Entity Alignment>精读在本文中,作者将实体对齐建模为一个顺序决策任务,其中agent(智能体)根据实体的 ...

【实体对齐·综述】An Experimental Study of State-of-the-Art Entity Alignment Approaches

文章目录

0.总结

1.Introduction

2.Preliminaries

2.2 Scope and Related work

2.2.1 Entity Linking=entity disambiguation

2.2.2 Entity resolution=entity matching=deduplication=record linkage

2.2.3 Entity resolution on KGs

2.2.4 EA

3.general框架

3.1 Embedding Learning Module

3.2 Alignment Module

3.3 Prediction Module

3.4 Extra Information Module

4 实验分析

4.1分类

4.2数据集

4.2.1 Metric

4.2.2 比较的方法

4.3 DBP15K

4.4 SRPRS

4.5 DWY100k

4.6 速度分析

4.7 无监督方法比较

4.8 Module-Level Evaluation

4.9总结

4.10 指导和建议

5. 新的数据集和未来的实验？

5.1 数据集的构建DBP-FB

5.2 实验

5.3 unmatchable entities

【实体对齐·综述】An Experimental Study of State-of-the-Art Entity Alignment Approaches相关推荐

最新文章

热门文章