[論文レビュー] Multi-view Knowledge Graph Embedding for Entity Alignment

Qinghe Zhang, Zequn Sun+4 more|arXiv (Cornell University)|Jun 6, 2019

Advanced Graph Neural Networks参考文献 8被引用数 21

ひとこと要約

本稿では、エンティティ名、関係、属性を視覚別埋め込みとクロス-KG推論を用いて統合的にモデル化する、エンティティアライメントのためのマルチビュー知識グラフ埋め込みフレームワーク、MultiKEを提案する。トレーニング中に戦略を組み合わせ、KG間でアイデンティティ推論を活用することで、最先端の手法を著しく上回り、実世界のデータセットにおいて最大91.45%のF1スコアを達成するとともに、シードアライメントへの依存を低減する。

ABSTRACT

We study the problem of embedding-based entity alignment between knowledge graphs (KGs). Previous works mainly focus on the relational structure of entities. Some further incorporate another type of features, such as attributes, for refinement. However, a vast of entity features are still unexplored or not equally treated together, which impairs the accuracy and robustness of embedding-based entity alignment. In this paper, we propose a novel framework that unifies multiple views of entities to learn embeddings for entity alignment. Specifically, we embed entities based on the views of entity names, relations and attributes, with several combination strategies. Furthermore, we design some cross-KG inference methods to enhance the alignment between two KGs. Our experiments on real-world datasets show that the proposed framework significantly outperforms the state-of-the-art embedding-based entity alignment methods. The selected views, cross-KG inference and combination strategies all contribute to the performance improvement.

研究の動機と目的

• 既存の埋め込みベースのエンティティアライメント手法が、関係や属性といった1〜2種類のエンティティ特徴に依存しているという限界を解消すること。
• マルチビュー埋め込みを活用して自動アライメント推論を実現することで、高コストなシードエンティティアライメントへの依存を低減すること。
• 名前、関係、属性といった補完的視点のエンティティ特徴を統合的に訓練することで、耐性と正確性を向上させること。
• エンティティ、関係、属性レベルでアライメントを保持・強化するクロス-KG推論メカニズムを設計すること。
• 埋め込み統合戦略および視点選択の有効性を評価し、アライメント性能の向上に寄与するかを検証すること。

提案手法

• フレームワークは3つの明確な視点を定義する：エンティティ名（リテラル埋め込みを使用）、関係（TransEなどの移動モデルを介して）、属性（埋め込みベースの特徴モデリングを用いて）。
• 各視点に対して、意味的・構造的情報を捉えるベクトル表現を学習する専用の埋め込みモデルを訓練する。
• クロス-KGアイデンティティ推論は、エンティティレベル、関係レベル、属性レベルの3段階で適用され、KG間の対応する特徴を統一的な最適化目的関数でアライメントする。
• 初期統合、遅延統合、トレーニング内統合の3つの統合戦略が設計され、トレーニング内統合が最も優れた性能を示した。
• トレーニング目的関数には、視点別埋め込みとクロス-KGアライメント信号の両方を最適化する結合損失関数が含まれる。
• 埋め込みが複数の視点からのアライメント監視信号とともに、統合的に最適化されるマルチタスク学習設定を採用する。

実験結果

リサーチクエスチョン

• RQ1 名前、関係、属性といった複数の視点のエンティティ特徴を統合することで、埋め込みベースのエンティティアライメントの正確性と耐性が向上するか？
• RQ2 シードアライメントに依存せずに、関係および属性レベルでのクロス-KG推論は、エンティティアライメントの性能向上にどの程度有効か？
• RQ3 初期統合、遅延統合、トレーニング内統合のうち、どの埋め込み統合戦略がマルチビュー・エンティティアライメントで最も優れたパフォーマンスを発揮するか？
• RQ4 提案されたフレームワークは、教師なし設定において、高価なシードエンティティアライメントへの依存をどの程度低減できるか？
• RQ5 エンティティ名のリテラル埋め込みの導入は、他の特徴タイプと比較して、意味的類似性をどの程度的確に捉えられるか？

主な発見

• MultiKEはDBP-WDデータセットでHits@1が91.45%、DBP-YGで88.03%を達成し、従来のLogMap手法（それぞれ83.54%および83.22%のF1スコア）を上回った。
• 名前視点のみでDBP-WDで84.30%のHits@1を達成し、エンティティ類似度を捉えるリテラル埋め込みの強力な識別力が示された。
• トレーニング内統合により、関係視点と属性視点の性能がそれぞれ16.0ポイントおよび10.0ポイント向上し、共同最適化の利点が裏付けられた。
• クロス-KG関係および属性アイデンティティ推論により、アライメント性能が向上したが、特に属性視点で顕著で、KG間の不均一性が低いためであった。
• 教師なし設定において、MultiKE-ITCはDBP-WDで83.98%のHits@1を達成し、シードアライメントが存在しない状況でも高い耐性を示した。
• アブレーションスタディにより、名前、関係、属性の3視点すべてが性能向上に寄与しており、特に名前視点が最も大きな影響を及ぼした。