Generating Explanations to Understand and Repair Embedding-based Entity Alignment

要約

エンティティ アライメント (EA) は、異なるナレッジ グラフ内で同一のエンティティを探します。これは、データベース研究における長年の課題です。
最近の研究では、深層学習を利用してエンティティをベクトル空間に埋め込み、最近傍検索によってエンティティを位置合わせしています。
埋め込みベースの EA は近年顕著な成功を収めていますが、アライメントの決定についての説明が不足しています。
この論文では、埋め込みベースの EA 結果を理解して修復するための説明を生成できる最初のフレームワークを紹介します。
埋め込みモデルによって生成された EA ペアが与えられると、最初にその隣接するエンティティと関係を比較して、局所的な説明として一致するサブグラフを構築します。
次に、抽象的な観点からペアを理解するために、アライメント依存関係グラフを構築します。
最後に、依存関係グラフに基づいて 3 種類の位置合わせの競合を解決することで、ペアを修復します。
さまざまな EA データセットでの実験により、埋め込みベースの EA 結果の説明と修復におけるフレームワークの有効性、一般化、堅牢性が実証されています。

要約(オリジナル)

Entity alignment (EA) seeks identical entities in different knowledge graphs, which is a long-standing task in the database research. Recent work leverages deep learning to embed entities in vector space and align them via nearest neighbor search. Although embedding-based EA has gained marked success in recent years, it lacks explanations for alignment decisions. In this paper, we present the first framework that can generate explanations for understanding and repairing embedding-based EA results. Given an EA pair produced by an embedding model, we first compare its neighbor entities and relations to build a matching subgraph as a local explanation. We then construct an alignment dependency graph to understand the pair from an abstract perspective. Finally, we repair the pair by resolving three types of alignment conflicts based on dependency graphs. Experiments on a variety of EA datasets demonstrate the effectiveness, generalization, and robustness of our framework in explaining and repairing embedding-based EA results.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google