基于扩散图神经网络的电力标准实体跨语言对齐方法

摘要

为解决电力领域不同标准间命名不一致导致的信息误差，以及传统实体对齐方法因术语复杂和数据稀疏而表现不佳的问题，提出了一种专门面向电力标准的、基于扩散图的实体对齐模型，旨在准确识别并对齐跨标准的电力知识图谱实体.该模型通过引入扩散注意力层扩展邻居节点来增强节点表示，从而缓解数据稀疏性问题，并设计了信息融合模块，多次融合来自不同标准的多视角特征，以深度捕捉专业知识.在三个不同的电力标准数据集上进行的实验表明，该模型在实体对齐任务中的性能显著优于传统方法.基于扩散图的实体对齐模型能有效克服电力领域的对齐难点，为发现不同标准间的潜在对应关系、消除信息壁垒提供了一种高效准确的技术方案.

关键词

实体对齐 / 知识图谱 / 图神经网络 / 自然语言处理