论文简记

1. 《Coordinated Reasoning for Cross-Lingual Knowledge Graph Alignment》-012

• 简介

题目：《Coordinated Reasoning for Cross-Lingual Knowledge Graph Alignment》

来源：AAAI-2020

链接：论文链接

代码：[Code和Dataset]

• 总结

  现有的实体对齐方法主要在编码知识图上选择不同，但他们通常使用类似的解码方法，独立选择每个源实体的局部最优匹配。这个解码方法不仅可能导致“多对一”问题，而且可能也忽略了这项任务的协调性，即各不相同对齐决策可能与其他决策高度相关。本文介绍了两种协同推理方法方法，即易硬解码策略和联合实体对齐算法。具体来说，容易-硬策略首先从对齐的结果中选取最可信的实体对，然后将其和种子对合并作为下一轮的训练集。此外，为了解决多对一问题，我们提出联合预测实体对齐，使一对一这个约束可以自然地合并到对齐预测中。实验结果表明，该模型得到了较好的验证，达到最先进的性能，而且我们的推理方法还可以显著改善现有的基线。

2. 《Non-translational Alignment for Multi-relational Networks》-013

• 简介

题目：《Coordinated Reasoning for Cross-Lingual Knowledge Graph Alignment》

来源：IJCAI-2018

链接：论文链接

代码：[Code和Dataset]

• 总结

  基于概率模型进行嵌入学习，学习实体表示后和传统方法一样，计算相似度进行对齐预测。

3. 《Multilingual Knowledge Graph Embeddings for Cross-lingual Knowledge Alignment》-014

• 简介

来源：IJCAI-2017

链接：论文链接

代码：[Code和Dataset]

• 总结

  其在方法MTransE基础上进行变形，提出了几种变形的损失函数计算的方法。

4. 《Semi-Supervised Entity Alignment via Knowledge Graph Embedding with Awareness of Degree Difference》-015

• 简介

来源：WWW-2019

链接：论文链接

代码：[Code和Dataset]

• 总结