与LLM增强的实体对齐:一个无监督和无培训的框架.
Meixiu Long1, Jiahai Wang1, Junxiao Ma1
1School of Computer Science and Engineering, Sun Yat-sen University, Guangzhou, 510006, China.
概括
本研究介绍了LEA,一个LLM增强的实体对齐 (EA) 框架,消除了对标记数据的需求. 通过丰富实体表示和减轻数据异质性,LEA显著提高了EA的性能和可扩展性.
科学领域:
- 知识图集成知识图集成
- 人工智能的人工智能
- 自然语言处理自然语言处理.
背景情况:
- 实体对齐 (EA) 对于统一知识图 (KG) 至关重要.
- 目前的EA方法通常依赖于昂贵的人类注释标签或低于最佳的LLM输出.
- 由于数据异质性,现有的方法在可扩展性和稳定性方面扎.
研究的目的:
- 开发一种新的LLM增强实体对齐框架 (LEA),消除了对标记数据的需求.
- 通过解决信息异质性,提高实体对齐的稳定性和可扩展性.
- 改进语义理解和实体的表示,以实现更准确的对齐.
主要方法:
- LEA使用实体文本化模块来统一结构和文本信息.
- 大型语言模型 (LLM) 用于丰富实体描述和增强语义区别.
- 丰富的描述被编码到共享的嵌入空间中,通过文本检索进行对齐.
- 选择性增强策略优先考虑模两可的实体进行改进,以平衡性能和成本.
主要成果:
- 与现有模型相比,LEA表现出更高的性能,即使在显著更少的标记数据 (30%) 上进行训练时也是如此.
- 在同质和异质KG的Hit@1得分中实现了30%的绝对改善.
- 该框架有效地减轻了嵌入和语义层面上的信息异质性.
- 对于实用的实体对齐应用,LEA提供了一个可扩展和强大的解决方案.
结论:
- LEA提供了一种高效,无标签的实体对齐方法,大大推进了KG集成.
- 该框架的LLM增强和选择性策略提高了稳定性和效率.
- 对于未来的实体对齐研究和应用来说,LEA代表了一个可扩展和适应的范式.

