Unsupervised Robust Cross-Lingual Entity Alignment via Joint Modeling of Entity and Relation Texts

要約

言語間エンティティ アライメント (EA) により、さまざまな言語にわたる複数のナレッジ グラフ (KG) の統合が可能になり、ユーザーが多様で包括的な知識にシームレスにアクセスできるようになります。ほとんどが教師付きの既存の方法では、ラベル付きエンティティのペアを取得する際に課題に直面しています。
これに対処するために、最近の研究は自己教師ありおよび教師なしのフレームワークに移行しています。
これらのアプローチには有効性があるにもかかわらず、制限があります。(1) 主にエンティティの特徴に焦点を当て、関係の意味情報を無視する、(2) ソース グラフとターゲット グラフの間で同型性を仮定するため、ノイズが発生し、位置合わせ精度が低下する、(3)
特に一貫性のない翻訳や語彙不足 (OOV) の問題が発生した場合、テキストの特徴のノイズの影響を受けやすくなります。
この論文では、関係とエンティティの意味論的なテキスト特徴を使用してエンティティ レベルと関係レベルのアライメントを共同で実行する、教師なしで堅牢なクロスリンガル EA フレームワークである ERAlign を提案します。
その改良プロセスでは、近隣トリプル マッチングに基づいてエンティティ レベルとリレーション レベルのアラインメントを融合することで、結果を繰り返し強化します。
追加の検証プロセスでは、エンティティの隣接トリプルを線形化されたテキストとして検査します。
この \textit{Align-and-Verify} パイプラインは、位置合わせの結果を厳密に評価し、エンティティのノイズの多いテキスト特徴が存在する場合でも、ほぼ完璧な位置合わせを実現します。
私たちの広範な実験により、\提案された の堅牢性と一般的な適用性が EA タスクの精度と有効性を向上させ、知識指向のアプリケーションに大きく貢献することが実証されました。

要約(オリジナル)

Cross-lingual entity alignment (EA) enables the integration of multiple knowledge graphs (KGs) across different languages, providing users with seamless access to diverse and comprehensive knowledge.Existing methods, mostly supervised, face challenges in obtaining labeled entity pairs. To address this, recent studies have shifted towards a self-supervised and unsupervised frameworks. Despite their effectiveness, these approaches have limitations: (1) they mainly focus on entity features, neglecting the semantic information of relations, (2) they assume isomorphism between source and target graphs, leading to noise and reduced alignment accuracy, and (3) they are susceptible to noise in the textual features, especially when encountering inconsistent translations or Out-Of-Vocabulary (OOV) problems. In this paper, we propose ERAlign, an unsupervised and robust cross-lingual EA framework that jointly performs Entity-level and Relation-level Alignment using semantic textual features of relations and entities. Its refinement process iteratively enhances results by fusing entity-level and relation-level alignments based on neighbor triple matching. The additional verification process examines the entities’ neighbor triples as the linearized text. This \textit{Align-and-Verify} pipeline that rigorously assesses alignment results, achieving near-perfect alignment even in the presence of noisy textual features of entities. Our extensive experiments demonstrate that robustness and general applicability of \proposed improved the accuracy and effectiveness of EA tasks, contributing significantly to knowledge-oriented applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google