基于判别性多特征融合的实体对齐算法

摘要

【目的】知识表示学习（Knowledge Representation Learning,KRL）在跨语言实体对齐方面取得了显著成就，但未能建模异构知识图谱之间的复杂语义关系，且现有方法多数依赖局部特征匹配以至于未能充分利用知识图谱结构信息。提出了一种基于判别式多特征融合的实体对齐框架（Entity Alignment algorithm based on Discriminant Multi-feature Fusion,EA-DMF）。【方法】利用知识图谱中的语义信息、结构信息以及属性信息进行多特征融合，充分挖掘出图谱中的潜在语义信息。具体而言，EA-DMF引入Gromov-Wasserstein距离度量图谱之间的相似性，建立了随机关系游走算法，利用知识图谱中的长期依赖关系丰富了实体的语义信息，并通过高置信度锚节点的迭代更新，将高置信度的局部对齐信息逐步扩展至全局，最终应用多视角最优传输理论融合多个信息特征进而得到对齐实体对集合。【结果】经过在五个实体对齐数据集上的广泛实验，在没有任何监督或超参数调整的情况下，EA-DMF超越多个竞争基线，证明该方法能够更有效准确地进行知识图谱中未知实体的对齐。

关键词

知识图谱 / 实体对齐 / 随机关系游走 / 渐进式优化 / 最优传输