Knowledge graphs (KGs) haben als Tools zur Speicherung und Ableitung neues Wissens rasant an Bedeutung gewonnen. Durch die zunehmende Popularität von Large Language Models (LLMs) wird deren Relevanz vermutlich weiter zunehmen, da sich beide Technologien komplementär ergänzen: Während LLMs implizites Wissen speichern und verarbeiten, bieten KGs explizite, strukturierte Informationen. Das zeigt sich in der aktuellen Forschung, etwa in Form von KG-enhanced LLMs und LLM-augmented KGs. Da KGs jedoch unvollständig sind, stellt sich die zentrale Herausforderung dar, verschiedene KGs aus unterschiedlichen Quellen zu vereinen. Diese als Entity Alignment bezeichnete Aufgabe ist aufgrund verschiedenster Schemata jedoch schwierig. Selbst wenn sich zwei verschiedene Quellen (KGs) auf dieselben Entitäten (Entities) der realen Welt beziehen, enthalten sie oft unterschiedliche Inhalte. In der aktuellen Forschung dominieren neuronale Methoden wie Graph Neural Networks (GNNs) und Knowledge Graph Embeddings, welche Entitäten in niederdimensionale Vektoren überführen, um sie anschließend auf Basis ihrer Vektorrepräsentationen zuvergleichen. Auch aufgrund des großen Erfolgs neuronaler Methoden bei anderen Aufgaben im Bereich von KGs wie Link Prediction (das Generieren neuer Relationen aufgrundvorhandener), vernachlässigt die aktuelle Literatur häufig nicht neuronale Methoden für Entity Alignment, die in der Forschung bis vor ein paar Jahren eine entscheidende Rolle spielten. Diese können je nach Anwendungsfall neuronale Ansätze sogar übertreffen, obwohl sie meist nur einen Bruchteil der Rechenressourcen beanspruchen. Die vorliegende Diplomarbeit zielt darauf ab, diese Lücke zu schließen, indem sie nicht-neuronale Methoden wieder aufgreift und diese mit modernen neuronalen Ansätzen kombiniert. Konkret wird ein modulares Framework namens VIENNA (Versatile Iterative Entity-alignment combining Neural and Non-neural Approaches) entwickelt. Dies nutzt sowohl neuronale Verfahren wie ClusterEA und BERT-INT als auch nicht-neuronale Techniken wie paris. Unser Framework, welches ohne Trainingsdaten auskommt, wird auf verschiedenen Datensätzen evaluiert, um Precision und Recall zu messen und zu prüfen, ob ein hybrider Ansatz reine neuronale Methoden übertreffen kann. Die Kombination dieser Verfahren verspricht eine umfassendere und flexiblere Lösung für Entity Alignmentund trägt damit zur Weiterentwicklung des Bereichs bei
de
Knowledge graphs (KGs) have rapidly gained prominence for storing, reasoning over, and deriving new knowledge. With the rise of large language models (LLMs), KGs are set for even greater visibility due to their complementary strengths in reasoning ability. While LLMs handle implicit knowledge, KGs provide explicit, structured knowledge, and both can be used in synergy, as evidenced by ongoing research into KG-enhanced LLMs and LLM-augmented KGs. However, because knowledge graphs are inherently incomplete, a central challenge in KG research is merging KGs from diverse sources. This task, which is centered around entity alignment, is particularly complex due to heterogeneous schemas and varying content across graphs, even when they refer to the same real-world entities. Neural methods dominate current research in entity alignment, including graph neural networks and knowledge graph embeddings, which map entities to low-dimensional vectors for alignment based on similarity. Despite their success, especially in tasks like link prediction, recent literature has often overlooked non-neural methods, which played a critical role in early KG alignment research and can even outperform neural methods in some scenarios, while requiring a fraction of computing resources. This thesis seeks to bridge this gap by revisiting and integrating non-neural methods with modern neural approaches. Specifically, we aim to design a modular framework called VIENNA (Versatile Iterative Entity-alignment combining Neural and Non-neural Approaches) that leverages both neural methods, such as ClusterEA and BERT-INT, alongside non-neural techniques like paris. We evaluate this unsupervised framework across multiple knowledge graph datasets to assess its precision and recall and determine whether a hybrid approach can outperform neural-only methods. Combining these methods with modern neural techniques yields a comprehensive and flexible solution for entity alignment, advancing the field.
en
Additional information:
Arbeit an der Bibliothek noch nicht eingelangt - Daten nicht geprüft
