联合多语言知识图谱补全与对齐

知识图谱（KG）对齐与补全通常被视为两个独立的任务。尽管近期工作已利用来自多个 KG 的实体与关系对齐，例如具有公共实体和关系的多语言 KG 之间的对齐，但对于多语言 KG 补全（MKGC）如何辅助构建多语言 KG 对齐（MKGA）的更深层次理解仍然有限。受结构不一致性——MKGA 模型的主要挑战——可通过 KG 补全方法缓解这一观察的启发，我们提出了一种联合补全与对齐知识图谱的新模型。所提模型结合了两个联合完成 KG 补全与对齐的组件。这两个组件采用我们提出的关系感知图神经网络，将多跳邻域结构编码到实体与关系表示中。此外，我们还提出了（i）一种将补全信息引入对齐组件的结构不一致性削减机制，以及（ii）一种在对齐 KG 过程中扩大对齐种子并转移三元组的对齐种子扩充与三元组转移机制。在公开多语言基准上的大量实验表明，我们提出的模型优于现有竞争性基线，在 MKGC 与 MKGA 任务上均取得了新的 SOTA 结果。我们在 https://github.com/vinhsuhi/JMAC 公开了模型的实现。