Improving Knowledge Graph Entity Alignment with Graph Augmentation

要約

タイトル：グラフ拡張による知識グラフエンティティアラインメントの改善

要約：
– エンティティアラインメントは、異なる知識グラフ間で同等のエンティティをリンクすることで、知識の融合において重要な役割を果たしています。
– GNN（グラフニューラルネットワーク）は、多くの埋め込みベースのEA方法で成功を収めていますが、既存のGNNベースの方法は、実際のKG分布で特に現れる構造的異質性の問題に苦しんでいるか、未見（ラベルのない）エンティティの異種表現学習を無視しているため、アライメントモデルが少数のアラインメントシード（トレーニングデータ）に過剰適合し、アラインメントパフォーマンスが不十分になる可能性があります。
– EA能力を向上させるために、グラフ拡張に基づく新しいEAアプローチであるGAEAを提案しています。
– ERエンコーダを設計して、包括的な構造情報と豊富なリレーションセマンティクスを共同モデリングすることで、エンティティの潜在表現を生成します。
– また、マージンベースのアラインメント学習と対照的なエンティティ表現学習のために、グラフ拡張を使用して2つのグラフビューを作成し、構造的異質性を軽減し、モデルのアラインメント性能をさらに向上させます。
– ベンチマークデータセットでの広範な実験により、提案手法の有効性が示されています。

要約(オリジナル)

Entity alignment (EA) which links equivalent entities across different knowledge graphs (KGs) plays a crucial role in knowledge fusion. In recent years, graph neural networks (GNNs) have been successfully applied in many embedding-based EA methods. However, existing GNN-based methods either suffer from the structural heterogeneity issue that especially appears in the real KG distributions or ignore the heterogeneous representation learning for unseen (unlabeled) entities, which would lead the model to overfit on few alignment seeds (i.e., training data) and thus cause unsatisfactory alignment performance. To enhance the EA ability, we propose GAEA, a novel EA approach based on graph augmentation. In this model, we design a simple Entity-Relation (ER) Encoder to generate latent representations for entities via jointly modeling comprehensive structural information and rich relation semantics. Moreover, we use graph augmentation to create two graph views for margin-based alignment learning and contrastive entity representation learning, thus mitigating structural heterogeneity and further improving the model’s alignment performance. Extensive experiments conducted on benchmark datasets demonstrate the effectiveness of our method.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI