[论文解读] A Simple Temporal Information Matching Mechanism for Entity Alignment Between Temporal Knowledge Graphs

Li Cai, Xin Mao+4 more|arXiv (Cornell University)|Sep 20, 2022

Advanced Graph Neural Networks被引用 5

一句话总结

本文提出STE A，一种结合时间信息匹配机制的简单图神经网络，用于时间知识图谱中的实体对齐。与学习时间嵌入的方法不同，STE A直接比较时间戳以提升对齐准确率，在参数更少、训练时间更短的情况下，实现了优于先前方法（包括TREA）的最先进性能。

ABSTRACT

Entity alignment (EA) aims to find entities in different knowledge graphs (KGs) that refer to the same object in the real world. Recent studies incorporate temporal information to augment the representations of KGs. The existing methods for EA between temporal KGs (TKGs) utilize a time-aware attention mechanism to incorporate relational and temporal information into entity embeddings. The approaches outperform the previous methods by using temporal information. However, we believe that it is not necessary to learn the embeddings of temporal information in KGs since most TKGs have uniform temporal representations. Therefore, we propose a simple graph neural network (GNN) model combined with a temporal information matching mechanism, which achieves better performance with less time and fewer parameters. Furthermore, since alignment seeds are difficult to label in real-world applications, we also propose a method to generate unsupervised alignment seeds via the temporal information of TKG. Extensive experiments on public datasets indicate that our supervised method significantly outperforms the previous methods and the unsupervised one has competitive performance.

研究动机与目标

• 通过更高效地利用时间信息，提升时间知识图谱之间实体对齐的性能。
• 通过避免学习时间嵌入（在均匀的时间知识图谱中常为冗余），降低模型复杂度和训练时间。
• 提出一种无监督方法，利用时间信息相似性生成对齐种子，减少对昂贵标注种子的依赖。
• 证明直接时间匹配可优于基于注意力的时间表示学习方法在实体对齐中的表现。

提出的方法

• 提出一种简单的图神经网络，基于结构和关系信息学习实体嵌入。
• 引入一种时间信息匹配机制，直接从时间戳计算时间相似度，跳过学习的时间嵌入。
• 通过由平衡超参数α控制的加权融合策略，结合实体嵌入相似度与时间相似度。
• 在时间相似度上使用互近邻匹配方法，生成无监督的对齐种子。
• 采用两阶段训练流程：第一阶段通过时间匹配无监督生成种子；第二阶段使用生成的种子进行有监督对齐。
• 应用对称相似度矩阵，以增强种子选择和对齐预测的鲁棒性。

实验结果

研究问题

• RQ1 在时间知识图谱的实体对齐中，直接时间匹配能否优于学习的时间嵌入？
• RQ2 具有显式时间匹配的更简单GNN模型，是否能在参数更少、训练时间更短的情况下，实现优于基于注意力方法的性能？
• RQ3 是否可仅使用时间信息生成可靠的无监督对齐种子用于实体对齐？
• RQ4 所提出方法的性能对超参数（如平衡因子α、GNN层数和嵌入维度）的敏感性如何？

主要发现

• STE A在四个公开数据集上均达到最先进性能，相较于TREA，在DICEWS-1K、DICEWS-200、YAGO-WIKI50K-1K和YAGO-WIKI50K-2K上的Hits@1分别提升了3.4%、3.6%、2.2%和12.3%。
• 无监督变体STE A_unsup在DICEWS-200和YAGO-WIKI50K-1K上均优于TREA，证明了基于时间的种子生成方法的有效性。
• 该模型在所有对比方法中具有最低的训练时间和参数量，参数量为O((|E|+|R|)×d)，显著少于TREA和TEA-GNN。
• 嵌入相似度与时间相似度融合的最优平衡因子α为0.3，在0.1–0.5范围内性能稳定，表明时间信号具有强相关性。
• 消融实验确认，仅使用时间相似度（α=1）的性能优于仅使用嵌入相似度（α=0），凸显时间信息的强判别能力。
• 该模型在不同GNN层数和嵌入维度下表现稳健，改变这些超参数时准确率仅出现轻微下降。