Biblioteca122.739 documentos en línea

Artículo

CAREA: Cotraining Attribute and Relation Embeddings for Cross-Lingual Entity Alignment in Knowledge GraphsCAREA: Cotraining Atributos y Embebimientos de Relaciones para la Alineación de Entidades Multilingüe en Grafos de Conocimiento

Resumen

Los grafos de conocimiento (KGs) son una de las técnicas más ampliamente utilizadas en la organización del conocimiento y han sido ampliamente utilizados en muchos campos de aplicación relacionados con la inteligencia artificial, como la búsqueda web y recomendaciones. El alineamiento de entidades proporciona una herramienta útil para integrar KGs multilingües de forma automática. Sin embargo, la mayoría de los estudios existentes evaluados ignoran la abundante información de los atributos de las entidades, excepto las relaciones entre entidades. Este documento se propone investigar el alineamiento de entidades entre idiomas y propone un enfoque de cotraining iterativo (CAREA) para entrenar un par de modelos independientes. Los dos modelos pueden extraer los atributos y las características de relación de los KGs multilingües, respectivamente. En cada iteración, los dos modelos alternan para predecir un nuevo conjunto de pares de entidades potencialmente alineados. Además, este método filtra aún más a través del valor de umbral dinámico para mejorar la supervisión de los dos modelos. Los resultados experimentales en tres

  • Tipo de documento:
  • Formato:pdf
  • Idioma:Inglés
  • Tamaño: Kb

Cómo citar el documento

Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.

Este contenido no est� disponible para su tipo de suscripci�n

Información del documento