[论文解读] Entity Alignment For Knowledge Graphs: Progress, Challenges, and Empirical Studies

Deepak Chaurasiya, Anil Surisetty+6 more|arXiv (Cornell University)|May 18, 2022

Data Quality and Management被引用 4

一句话总结

本文对基于嵌入的实体对齐（EA）方法进行了全面的综述与实证分析，提出了四个研究问题，聚焦于中心性问题（hubness）、度分布、非同构邻域以及名称偏差。研究提出了一种新颖的图采样方法，以生成低名称偏差的数据集，引入了h-score指标来量化中心性问题，并发布了包含14种EA方法的开源库，支持稳健的基准测试，并在工业场景中提升了模型的泛化能力。

ABSTRACT

Entity Alignment (EA) identifies entities across databases that refer to the same entity. Knowledge graph-based embedding methods have recently dominated EA techniques. Such methods map entities to a low-dimension space and align them based on their similarities. With the corpus of EA methodologies growing rapidly, this paper presents a comprehensive analysis of various existing EA methods, elaborating their applications and limitations. Further, we distinguish the methods based on their underlying algorithms and the information they incorporate to learn entity representations. Based on challenges in industrial datasets, we bring forward $4$ research questions (RQs). These RQs empirically analyse the algorithms from the perspective of extit{Hubness, Degree distribution, Non-isomorphic neighbourhood,} and extit{Name bias}. For Hubness, where one entity turns up as the nearest neighbour of many other entities, we define an $h$-score to quantify its effect on the performance of various algorithms. Additionally, we try to level the playing field for algorithms that rely primarily on name-bias existing in the benchmarking open-source datasets by creating a low name bias dataset. We further create an open-source repository for $14$ embedding-based EA methods and present the analysis for invoking further research motivations in the field of EA.

研究动机与目标

• 为解决工业场景中实体对齐（EA）方法缺乏稳健评估框架的问题，这些场景下的真实数据常包含偏差和结构挑战。
• 探究常见EA方法在现实数据问题（如中心性、度数差异、非同构子图、名称偏差）下的表现。
• 开发一种新颖的图采样技术，以在保留图属性的同时最小化名称偏差，从而实现更可靠的基准测试。
• 发布一个开源库，实现14种基于嵌入的EA方法，确保可复现性并推动进一步研究。
• 提供实证洞察，揭示哪些方法在真实知识图谱中对结构和语言偏差具有最强的鲁棒性。

提出的方法

• 基于所利用的网络信息类型，提出了一种新的EA方法分类方式：结构感知型（S）、结构与关系感知型（SR）、结构与属性感知型（SA）。
• 引入h-score指标，用于量化对齐结果中中心性的程度，其中高h-score表示少数实体反复成为最近邻。
• 开发一种新颖的图采样技术，通过选择名称相似度较低的实体对，同时保留全局图属性（如度分布和聚类系数）。
• 通过将该采样方法应用于现有数据集，构建了一个跨语言的低名称偏差基准数据集（EN-FR LNB），以实现对EA算法更公平的评估。
• 采用一种框架：首先通过知识图嵌入模型（如TransE、GNNs）学习实体嵌入，然后在嵌入空间中进行最近邻搜索以实现对齐。
• 使用BERT-based嵌入进行名称相似度评估，并在名称偏差水平不同的数据集上比较性能，以隔离语言依赖性。

实验结果

研究问题

• RQ1 该方法是否解决了知识图谱中普遍存在的中心性问题，即少数实体频繁成为其他实体的最近邻？
• RQ2 该方法在不同度数的实体上是否保持对齐准确性，特别是在图的稀疏区域或高度连接区域？
• RQ3 该方法能否对齐因来源差异或不完整导致在两个知识图谱中具有非同构子图的实体？
• RQ4 实体名称中的名称偏差是否导致准确率被高估？该方法在低名称偏差数据集上的表现如何？

主要发现

• h-score指标显示，中心性显著影响对齐性能，例如MTransE等方法对中心实体表现出更高的敏感性。
• 仅依赖结构信息的方法在低度数实体上的对齐准确率急剧下降，而使用属性信息（如AttrE）或语言特征（如RDGCN）的方法则表现出更一致的性能。
• RDGCN和HGCN在高偏差的EN-FR V1数据集上表现优异（Hits@1分别为75.17和77.93），但在低偏差的EN-FR LNB数据集上性能显著下降（Hits@1分别为61.10和65.63），表明其对名称偏差有强烈依赖。
• AttrE在所有数据集上表现最稳健，当名称偏差降低时准确率下降最小（从45.25降至38.77 Hits@1），表明其更依赖多属性信息。
• 仅依赖结构信息的方法（如MTransE）在处理非同构邻域时对齐准确率明显下降，而使用属性或语言特征的方法（如AliNet、RDGCN）则保持了更好的性能。
• 所提出的低名称偏差数据集（EN-FR LNB）将BERT-based名称相似度降低至0.57，揭示了EA模型的真实泛化能力，表明基于名称的方法在真实世界低相似度场景中并不可靠。