汽车前灯
由于图神经网络具有识别同构子图的能力，因此已成为基于嵌入的实体对齐的强大范例。但是，在真实知识图谱（KG）中，对应实体通常具有非同构的邻域结构，这很容易使GNN为它们生成不同的表示形式。为了解决这个问题，提出了一个新的KG对齐网络，即AliNet，旨在以端到端的方式缓解邻域结构的非同构性。由于架构异质性，对应实体的直接邻居通常是不同的，因此AliNet引入了远距离邻居以扩大其邻居结构之间的重叠。它采用注意力机制来突出有用的远方邻居并减少噪音。然后，它使用门控机制控制直接和远距离邻域信息的聚集。进一步提出了一种关系损失来完善实体表示。通过详细的消融研究进行了彻底的实验，并对五个实体对齐数据集进行了分析，证明了AliNet的有效性。1、简介
实体对齐是从不同的知识图（KG）中查引用同一真实世界标识的实体的任务。最近，人们越来越重视利用KG表示学习而不是象征性的形式主义来完成这项任务。表征学习模型将KG编码到向量空间中，可以通过学习的嵌入操作来评估实体的关系语义，例如关系特定的翻译（TransE）或旋转（Rotate）。对于基于嵌入的实体对齐，实体的相似性通过实体嵌入的距
离来衡量。它在处理符号异质性问题上显示出了巨大的潜力，并且在单语和跨语种场景中都有益于实体对齐任务。
2、主要工作
最近，图神经网络已经成为学习具有图结构数据的向量表示的强大模型。在GNN中，节点的表示是通过递归聚集其相邻节点的表示来学习的。最近的一项工作证明了GNN在识别同构子图方面具有与Weisfeiler-Leman（WL）检验（Weisfeiler and Lehman 1968）相同的表达能力。由于相似实体通常具有相似的邻域，因此它提供了使用GNN进行不同KG之间的实体对齐的理论基础。最近，一些研究利用GNN进行基于嵌入的实体对齐，并取得了可喜的结果。
但是，现有的基于GNN的实体对齐模型仍然面临一个关键问题。由于不同的KG通常具有异构的架构和数据不完整，因此对应实体通常具有不同的邻域结构。给出了一个例子，指代科比·布莱恩特的两个实体的邻域彼此不一致，尤其是包含不同组的相邻实体。基于DBpedia的用于实体对齐的基准数据集的统计数据还显示，大多数对齐的实体对具有不同的相邻实体。特别地，这样的实体对的百分比在中文英语之间达到89.97％，在日语-英语
刹车蹄块
亚克力抽奖箱之间达到86.19％，在法语-英语之间达到90.71％。不同的邻域结构很容易导致GNN为对应实体产生不同的表示形式。
电子级硝酸
柿子去皮机
解决这个问题的挑战在于难以充分缓解来自不同KG的对应实体的邻域结构中的非同构性的问题。即使我们假设两个KG是完整的（MuGNN的目标），由于架构异质性，对应实体仍不可避免地具有相异的邻域结构。例如，美国是Wikidata中科比·布莱恩特的一站式（直接）邻居。但是，在DBpedia中，它是两跳邻居。由于语义相关信息可以出现在对方实体的直接和远距离邻居中，因此，我们提出了一个KG对齐网络AliNet，该网络聚集了直接和远距离的邻居信息。具体来说，每个AliNet层具有多种功能，可在多个跃点内聚合邻居信息。为了减少噪声信息，我们进一步采用了一种针对远距离邻域聚集的注意机制，以端到
端的方式出重要的邻居。最后，我们使用门控机制来组合多个聚合函数的输出表示，以获取当前层中的隐藏表示。我们还设计了一种关系损失来细化实体表示，并使AliNet能够捕获某些特殊结构，例如三角形关系结构。我们通过详细的消融研究进行了彻底的实验，并对五个实体对齐数据集进行了分析，证明了AliNet的有效性及其各项技术贡献。
3、结论
在本文中，我们提出用于实体对齐的AliNet，旨在以端到端的方式缓解对应实体的邻域结构之间的非同构性。AliNet通过每层中的门控机制捕获多跳内的邻居信息。它采用关注机制进行多跳邻域聚合以减少噪声。我们进一步提出关系损失以增强AliNet的表达能力。对五个数据集的实验证明了AliNet的有效性。
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议