知識融合包括以下幾個部分
本體匹配(ontology matching)
實體對齊(entity alignment)
側重發現指稱真實世界相同物件的不同例項，也稱為實體消解(resolution)、例項匹配(instance matching)
知識融合(knowledge fusion)
一般通過衝突檢測、真值發現等技術消解知識圖譜融合過程中的衝突，再對知識進行關聯與合併，最終形成乙個一致的結果
實體對齊
例如：1. mugnn[1]
分為兩步，①補全缺失的關係來調和結構差異 ②通過pooling技術組合不同通道的輸出。
2. rdgcn[2]
通過kg與其對偶關係對應之間的注意力互動來處理關係資訊。
3. alinet[3]
由於相同實體的鄰域結構經常是非同構的，綜合考慮了鄰域和泛鄰域的資訊。
4. oag:linkg[5]
將兩個有著上億級別節點的網路——aminer和微軟學術進行了對齊，這項研究綜合利用了lstm、gnn、雜湊等技術，能夠高效處理多種型別的節點以及不同型別的資訊，並且將對齊效果達到了可以應用的級別(總體f1值96.81)。
知識融合的挑戰
1.基於嵌入的深度學習演算法結合知識推理(描述邏輯、約束規則)
2.多模態知識圖譜融合
3.大規模知識圖譜的融合與更新
可用工具
參考[1] multi-channel graph neural network for entity alignment. acl, 2019
[2] relation-aware entity alignment for heterogeneous knowledge graphs. ijcai, 2019
[3] knowledge graph alignment network with gated multi-hop neighborhood aggregation. aaai, 2020
[5] oag: toward linking large-scale heterogeneous entity graphs. kdd 2019
實體消歧，實體識別，實體融合，知識融合概述
實體消歧問題是當下比較熱點的研究問題，國內外的大多熟研究從兩個角度解決實體歧義造成的影響，分別是通過尋求更高質量的特徵和引入外部資源輔助消解。在特徵選取方面，何正焱 2 利用 dnn 深度神經網路 方法，提出了一種文件和實體的相似度為框架的消歧模型 姜麗麗 3 提出了一種基於帶權圖結構的框架來實現人...
hibernater 對實體關聯
對於hibernate 多實體關聯 不管什麼都是many 一端控制關係 person段 單項連線 manytoone targetentity address.class,cascade cascadetype.all joincolumn name address id nullable fals...
對實體類的封裝
說明 有時實體類滿足不了我們所需返回的資料時，這時就需要封裝實體類。對tbshop的封裝類shopexecution data public class shopexecution這樣就可以標識每個商店現在所處的狀態。每個狀態不同的構造器 店鋪操作失敗時使用的構造器 public shopexecu...