基于迭代优化的种子扩展感知图神经网络用于半监督实体对齐

实体对齐旨在利用预先对齐的种子对，在不同知识图谱（KGs）中查找其他等价实体，广泛应用于图融合相关领域。然而，随着知识图谱规模的增大，手动标注预先对齐的种子对变得困难。现有研究利用通过聚合单一结构信息获取的实体嵌入来识别潜在种子对，从而减少对预先对齐种子对的依赖。然而，由于知识图谱的结构异质性，仅使用单一结构信息获取的潜在种子对质量并不理想。此外，虽然现有研究通过半监督迭代提高潜在种子对的质量，但低估了基于噪声种子对产生的嵌入畸变对对齐效果的影响。为解决上述问题，我们提出了一种用于半监督实体对齐的种子扩展感知图神经网络，称为 SE-GNN。首先，我们利用实体的语义属性和结构特征，结合条件过滤机制，获取高质量的初始潜在种子对。接着，我们设计了局部和全局感知机制，引入初始潜在种子对，结合局部和全局信息获取更全面的实体嵌入表示，从而减轻知识图谱结构异质性的影响，为优化初始潜在种子对奠定基础。然后，我们设计了阈值最近邻嵌入纠正策略，将相似度阈值和双向最近邻方法作为过滤机制，用于选择迭代潜在种子对，并通过嵌入纠正策略消除嵌入畸变。