An Effective and Efficient Time-aware Entity Alignment Framework via Two-aspect Three-view Label Propagation

要約

エンティティ アライメント (EA) は、異なるナレッジ グラフ (KG) 間で同等のエンティティのペアを見つけることを目的とし、知識の融合を促進するために重要です。
テンポラル ナレッジ グラフ (TKG) が広く使用されているため、時間認識 EA (TEA) 手法が EA を強化しているように見えます。
既存の TEA モデルはグラフ ニューラル ネットワーク (GNN) に基づいており、最先端 (SOTA) のパフォーマンスを実現していますが、GNN のスケーラビリティの問題により、大規模な TKG に移植することが困難です。
この論文では、TKG 間の効果的かつ効率的な非ニューラル EA フレームワーク、つまり LightTEA を提案します。これは 4 つの必須コンポーネントで構成されます: (1) 2 アスペクト 3 ビュー ラベル伝播、(2) 時間的制約による疎な類似性、
3) シンクホーン オペレーター、および (4) 時間的反復学習。
これらのモジュールはすべて連携して、モデルの消費時間を削減しながら EA のパフォーマンスを向上させます。
公開データセットに対する広範な実験の結果、私たちが提案したモデルは TKG 間の EA の SOTA 手法よりも大幅に優れており、LightTEA で消費される時間は最大でも数十秒に過ぎず、最も効率的な TEA 手法の 10% に過ぎないことが示されています。

要約(オリジナル)

Entity alignment (EA) aims to find the equivalent entity pairs between different knowledge graphs (KGs), which is crucial to promote knowledge fusion. With the wide use of temporal knowledge graphs (TKGs), time-aware EA (TEA) methods appear to enhance EA. Existing TEA models are based on Graph Neural Networks (GNN) and achieve state-of-the-art (SOTA) performance, but it is difficult to transfer them to large-scale TKGs due to the scalability issue of GNN. In this paper, we propose an effective and efficient non-neural EA framework between TKGs, namely LightTEA, which consists of four essential components: (1) Two-aspect Three-view Label Propagation, (2) Sparse Similarity with Temporal Constraints, (3) Sinkhorn Operator, and (4) Temporal Iterative Learning. All of these modules work together to improve the performance of EA while reducing the time consumption of the model. Extensive experiments on public datasets indicate that our proposed model significantly outperforms the SOTA methods for EA between TKGs, and the time consumed by LightTEA is only dozens of seconds at most, no more than 10% of the most efficient TEA method.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google