i-Align：一个可解释的知识图谱对齐模型
人工智能
2023-08-29 v1
摘要
知识图谱（KGs）正成为许多下游应用不可或缺的资源。然而，其不完备性可能限制其潜力。因此，需要持续的管理以缓解该问题。解决此问题的策略之一是知识图谱对齐，即通过合并两个或多个知识图谱形成更完整的知识图谱。本文提出 i-Align，一个可解释的知识图谱对齐模型。与现有知识图谱对齐模型不同，i-Align 在保持高对齐性能的同时，为每次对齐预测提供解释。专家可利用该解释核查对齐预测的正确性。从而，在管理过程（例如两个知识图谱的合并过程）中可保持知识图谱的高质量。为此，提出一种基于 Transformer 的图编码器（Trans-GE）作为 i-Align 的关键组件，用于聚合实体邻居（结构）的信息。Trans-GE 使用边门控注意力（Edge-gated Attention），结合邻接矩阵与自注意力矩阵来学习门控机制以控制来自邻居实体的信息聚合。它还使用历史嵌入，使 Trans-GE 能在小批量或较小子图上训练，以解决编码大型知识图谱时的可扩展性问题。i-Align 的另一组件是用于聚合实体属性的 Transformer 编码器。由此，i-Align 可基于注意力权重以一组最具影响力的属性/邻居的形式生成解释。我们进行了广泛实验以展示 i-Align 的能力。实验涵盖多个方面，如模型对齐知识图谱的有效性、所生成解释的质量，以及其对齐大型知识图谱的实用性。结果显示了 i-Align 在这些方面的有效性。
引用
@article{arxiv.2308.13755,
title = {i-Align: an interpretable knowledge graph alignment model},
author = {Bayu Distiawan Trisedya and Flora D Salim and Jeffrey Chan and Damiano Spina and Falk Scholer and Mark Sanderson},
journal= {arXiv preprint arXiv:2308.13755},
year = {2023}
}
备注
Data Min Knowl Disc (2023)