Entity Alignment with Noisy Annotations from Large Language Models

实体对齐（EA）旨在通过识别等价实体对来合并两个知识图谱（KGs）。虽然现有方法严重依赖于人工生成的标签，但在现实场景中引入跨领域专家进行注释是极其昂贵的。大型语言模型（LLMs）的出现为通过注释自动化EA提供了新的途径，受其处理语义信息的全面能力的启发。然而，直接应用LLMs进行EA并不是微不足道的，因为实际KG中的注释空间很大。LLMs也可能生成噪声标签，这可能会误导对齐。为此，我们提出了一个统一的框架LLM4EA，以有效利用LLMs进行EA。具体而言，我们设计了一种新颖的主动学习策略，通过基于整个KG间和KG内结构的最有价值的实体优先考虑，显著减少了注释空间。此外，我们引入了一个无监督的标签细化器，通过深入的概率推理不断提高标签的准确性。我们根据基础EA模型的反馈迭代地优化策略。广泛的实验表明，LLM4EA在四个基准数据集上在有效性，鲁棒性和效率方面具有优势。

论文旨在解决实体对齐（EA）中的标注代价高的问题，提出一种利用大语言模型（LLMs）的自动EA框架。

论文提出了一种新的主动学习策略，通过优先考虑整个跨KG和内部KG结构中最有价值的实体，显著减少注释空间。此外，引入了一种无监督标签细化器，通过深入的概率推理不断提高标签准确性。该框架通过反馈和基础EA模型进行迭代优化。

论文在四个基准数据集上进行了广泛的实验，证明了LLM4EA在效率、鲁棒性和有效性方面的优势。此外，论文还开源了代码。

相关研究包括：《Bootstrapping Entity Alignment with Knowledge Graph Embeddings》、《Cross-lingual Entity Alignment via Joint Attribute-Preserving Embedding》等。