Matching with transformers in MELT

Hertling, Sven ; Portisch, Jan ; Paulheim, Heiko

PDF
om2021_LTpaper2.pdf - Veröffentlichte Version
Download (666kB)

URL:	https://madoc.bib.uni-mannheim.de/61184
Weitere URL:	http://ceur-ws.org/Vol-3063/om2021_LTpaper2.pdf
URN:	urn:nbn:de:bsz:180-madoc-611841
Dokumenttyp:	Konferenzveröffentlichung
Erscheinungsjahr:	2021
Buchtitel:	OM 2021, Ontology Matching 2021 : Proceedings of the 16th International Workshop on Ontology Matching, co-located with the 20th International Semantic Web Conference (ISWC 2021), virtual conference, October 25, 2021
Titel einer Zeitschrift oder einer Reihe:	CEUR Workshop Proceedings
Band/Volume:	3063
Seitenbereich:	13-24
Veranstaltungstitel:	OM 2021
Veranstaltungsort:	Online
Veranstaltungsdatum:	25.10.2021
Herausgeber:	Shvaiko, Pavel ; Euzenat, Jérôme ; Jiménez-Ruiz, Ernesto ; Hassanzadeh, Oktie ; Trojahn, Cássia
Ort der Veröffentlichung:	Aachen, Germany
Verlag:	RWTH Aachen
ISSN:	1613-0073
Verwandte URLs:	https://www.researchgate.net/publication... http://ceur-ws.org/Vol-3063/ https://arxiv.org/abs/2109.07401
Sprache der Veröffentlichung:	Englisch
Einrichtung:	Fakultät für Wirtschaftsinformatik und Wirtschaftsmathematik > Data Science (Paulheim 2018-)
Bereits vorhandene Lizenz:	Creative Commons Namensnennung 4.0 International (CC BY 4.0)
Fachgebiet:	004 Informatik
Freie Schlagwörter (Deutsch):	Datenintegration , Semantische Integration , Ontologien , Transformer , Transformermodelle
Freie Schlagwörter (Englisch):	ontology matching , transformers , matcher optimization , data integration , semantic matching
Abstract:	One of the strongest signals for automated matching of ontologies and knowledge graphs are the textual descriptions of the concepts. The methods that are typically applied (such as character- or token-based comparisons) are relatively simple, and therefore do not capture the actual meaning of the texts. With the rise of transformer-based language models, text comparison based on meaning (rather than lexical features) is possible. In this paper, we model the ontology matching task as classification problem and present approaches based on transformer models. We further provide an easy to use implementation in the MELT framework which is suited for ontology and knowledge graph matching. We show that a transformer-based filter helps to choose the correct correspondences given a high-recall alignment and already achieves a good result with simple alignment post-processing methods.
Zusätzliche Informationen:	Online-Ressource