用于实体对齐的多通道图神经网络
计算与语言
2019-08-28 v1
摘要
实体对齐通常受结构异构性和有限种子对齐问题的困扰。本文中，我们提出一种新颖的多通道图神经网络模型（MuGNN），通过多通道对两个知识图谱（KG）进行鲁棒编码，以学习面向对齐的 KG 嵌入。每个通道分别通过针对 KG 补全的自注意力以及用于剪枝排他实体的跨 KG 注意力的不同关系加权方案对 KG 进行编码，并进一步通过池化技术进行组合。此外，我们还推断并迁移规则知识以一致地补全两个 KG。MuGNN 有望调和两个 KG 的结构差异，从而更好地利用种子对齐。在五个公开数据集上的大量实验证明了我们优越的性能（Hits@1 平均提升 5%）。
引用
@article{arxiv.1908.09898,
title = {Multi-Channel Graph Neural Network for Entity Alignment},
author = {Yixin Cao and Zhiyuan Liu and Chengjiang Li and Zhiyuan Liu and Juanzi Li and Tat-Seng Chua},
journal= {arXiv preprint arXiv:1908.09898},
year = {2019}
}
备注
10 pages, 4 figures, ACL2019