不完全知识图谱对齐
计算与语言
2022-03-16 v2 人工智能
机器学习
摘要
知识图谱（KG）对齐——识别不同 KG 中指向同一事物的实体的任务——被认为是 KG 构建与补全领域最重要的操作之一。然而，现有对齐技术常假设输入 KG 是完整且同构的，但由于领域、规模和稀疏性方面的现实异质性，这并不成立。在本工作中，我们通过表示学习解决不完全 KG 的对齐问题。我们的 KG 嵌入框架利用两种特征通道：基于传递性的和基于邻近性的。前者通过平移路径捕获实体间的一致性约束，而后者通过注意力引导的关系感知图神经网络捕获 KG 的邻域结构。这两种特征通道被联合学习以在输入 KG 之间交换重要特征，同时强制输入 KG 的输出表示位于同一嵌入空间中。此外，我们开发了一个缺失链接检测器，在训练过程中发现并恢复输入 KG 中的缺失链接，这有助于缓解不完全性问题从而提升所学表示的兼容性。随后将嵌入融合以生成对齐结果，并将高置信度匹配节点对更新至预对齐监督数据中以逐步改进嵌入。实证结果表明，我们的模型比 SOTA 更准确，且对不同程度的不完全性具有鲁棒性。
引用
@article{arxiv.2112.09266,
title = {Incomplete Knowledge Graph Alignment},
author = {Vinh Van Tong and Thanh Trung Huynh and Thanh Tam Nguyen and Hongzhi Yin and Quoc Viet Hung Nguyen and Quyet Thang Huynh},
journal= {arXiv preprint arXiv:2112.09266},
year = {2022}
}