Unifying Dual-Space Embedding for Entity Alignment via Contrastive Learning

要約

エンティティの調整は、異なるナレッジ グラフ (KG) 間で同一のエンティティを照合することを目的としています。
グラフ ニューラル ネットワーク ベースのエンティティ アライメント手法は、ユークリッド空間で有望な結果を達成しました。
ただし、KG にはローカル構造と階層構造の両方を含む複雑な構造が含まれることが多く、それらを単一の空間内で効率的に表現することが困難になります。
この論文では、KG の固有構造を保存するために二重空間埋め込みを統合する新しい方法 UniEA を提案しました。
具体的には、ユークリッド空間と双曲空間の両方に埋め込まれたグラフ構造を同時に学習し、両方の空間の埋め込みの一貫性を最大化します。
さらに、KG 内に同様の隣接エンティティを埋め込むと距離が近すぎてしまう、類似エンティティによって引き起こされる不整合の問題を軽減するために、対照学習を採用しています。
ベンチマーク データセットに対する広範な実験により、私たちの手法が構造ベースの EA で最先端のパフォーマンスを達成できることが実証されました。
私たちのコードは https://github.com/wonderCS1213/UniEA で入手できます。

要約(オリジナル)

Entity alignment aims to match identical entities across different knowledge graphs (KGs). Graph neural network-based entity alignment methods have achieved promising results in Euclidean space. However, KGs often contain complex structures, including both local and hierarchical ones, which make it challenging to efficiently represent them within a single space. In this paper, we proposed a novel method UniEA, which unifies dual-space embedding to preserve the intrinsic structure of KGs. Specifically, we learn graph structure embedding in both Euclidean and hyperbolic spaces simultaneously to maximize the consistency between the embedding in both spaces. Moreover, we employ contrastive learning to mitigate the misalignment issues caused by similar entities, where embedding of similar neighboring entities within the KG become too close in distance. Extensive experiments on benchmark datasets demonstrate that our method achieves state-of-the-art performance in structure-based EA. Our code is available at https://github.com/wonderCS1213/UniEA.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google