[论文解读] 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 21

一句话总结

本文提出 MultiKE，一种用于实体对齐的多视角知识图谱嵌入框架，通过视图特定嵌入和跨知识图谱推理，联合建模实体名称、关系和属性。通过在训练过程中结合多种视图并利用跨知识图谱的身份推理，MultiKE 显著优于当前最先进方法，在真实世界数据集上达到最高 91.45% 的 F1 分数，同时降低了对种子对齐的依赖。

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.

研究动机与目标

• 解决现有基于嵌入的实体对齐方法仅依赖一种或两种实体特征（如关系或属性）的局限性。
• 通过利用多视角嵌入实现自动对齐推理，降低对昂贵种子实体对齐的依赖。
• 通过统一训练整合互补的实体特征视图（名称、关系和属性），提升鲁棒性和准确性。
• 设计跨知识图谱推理机制，以在实体、关系和属性层面保持并增强对齐效果。
• 评估不同嵌入组合策略与视图选择在提升对齐性能方面的有效性。

提出的方法

• 该框架定义了三种不同的视图：实体名称（使用字面量嵌入）、关系（通过 TransE 等平移模型）和属性（使用基于嵌入的特征建模）。
• 针对每个视图，训练专用的嵌入模型，以学习捕捉语义和结构信息的向量表示。
• 在三个层级应用跨知识图谱身份推理：实体级、关系级和属性级，通过共享优化目标在不同知识图谱之间对齐对应特征。
• 设计了三种组合策略——早期组合、晚期组合和训练中组合，以整合视图特定嵌入，其中训练中组合表现最佳。
• 训练目标包含一个联合损失函数，用于同时优化视图特定嵌入和跨知识图谱对齐信号。
• 该框架采用多任务学习设置，使嵌入在多个视图的对齐监督下联合优化。

实验结果

研究问题

• RQ1 整合实体特征的多个视图（名称、关系和属性）是否能提升基于嵌入的实体对齐的准确率和鲁棒性？
• RQ2 在不依赖种子对齐的情况下，跨知识图谱在关系和属性层级的推理在多大程度上能提升实体对齐效果？
• RQ3 哪种嵌入组合策略（早期、晚期或训练中）在多视角实体对齐中表现最佳？
• RQ4 在无监督设置下，所提出的框架在多大程度上能减少对昂贵种子实体对齐的依赖？
• RQ5 与其它特征类型相比，实体名称的字面量嵌入在捕捉语义相似性方面表现如何？

主要发现

• 在 DBP-WD 数据集上，MultiKE 达到 91.45% 的 Hits@1 分数，在 DBP-YG 上达到 88.03%，显著优于传统 LogMap 方法（分别为 83.54% 和 83.22% 的 F1 分数）。
• 仅名称视图在 DBP-WD 上即达到 84.30% 的 Hits@1，证明字面量嵌入在实体相似性方面具有强大的判别能力。
• 训练中组合使关系视图和属性视图的性能分别提升 16.0 和 10.0 个百分点，表明联合优化具有显著优势。
• 跨知识图谱关系和属性身份推理提升了对齐性能，尤其在属性视图中表现更优，原因在于不同知识图谱间属性的同质性更高。
• 在无监督设置下，MultiKE-ITC 在 DBP-WD 上达到 83.98% 的 Hits@1，表明即使缺乏种子对齐，模型仍具备强大鲁棒性。
• 消融实验确认，三个视图（名称、关系、属性）均对性能有贡献，其中名称视图影响最大。