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

• Materias:Virus informático Entropía del gráfico Modelo epidémico Modelo de optimización Modelos conceptuales
• Subjects:Computer virus Entropy of the graph Epidemic model Optimization model Conceptual models
• Palabras claves:Grafos de conocimiento; Alineación de entidades; KGs multilingües; Enfoque de coentrenamiento; Atributos de entidades; Resultados experimentales
• Keywords:Knowledge graphs; Entity alignment; Multilingual KGs; Cotraining approach; Entity attributes; Experimental results