[论文解读] Siamese Graph Neural Networks for Data Integration

Evgeny Krivosheev, Mattia Atzeni+3 more|arXiv (Cornell University)|Jan 17, 2020

Topic Modeling参考文献 52被引用 8

一句话总结

本文提出孪生图卷积网络（S-GCNs），通过将结构化和非结构化数据建模为图结构，实现可扩展的、上下文感知的实体匹配，从而提升数据集成性能。通过利用图神经网络在连接实体间传播信息，该方法在业务实体关联任务中优于基于规则和非图深度学习的方法。

ABSTRACT

Data integration has been studied extensively for decades and approached from different angles. However, this domain still remains largely rule-driven and lacks universal automation. Recent development in machine learning and in particular deep learning has opened the way to more general and more efficient solutions to data integration problems. In this work, we propose a general approach to modeling and integrating entities from structured data, such as relational databases, as well as unstructured sources, such as free text from news articles. Our approach is designed to explicitly model and leverage relations between entities, thereby using all available information and preserving as much context as possible. This is achieved by combining siamese and graph neural networks to propagate information between connected entities and support high scalability. We evaluate our method on the task of integrating data about business entities, and we demonstrate that it outperforms standard rule-based systems, as well as other deep learning approaches that do not use graph-based representations.

研究动机与目标

• 通过利用图结构表示，解决基于规则和非图方法在数据集成中的局限性。
• 利用知识图谱对结构化数据库和非结构化文本源中的实体间关系进行建模。
• 开发一种可扩展的、端到端的学习框架，在实体匹配过程中保留上下文信息。
• 通过图神经网络从极少监督中学习判别性节点嵌入，减少对人工标注的依赖。
• 在涉及真实世界数据库和新闻文章的大规模业务实体关联任务中，评估 S-GCNs 的有效性。

提出的方法

• 该方法从结构化数据（如公司所有权、子公司关系）和非结构化文本（如新闻文章）构建知识图，将实体及其关系表示为节点和边。
• 采用孪生图卷积网络（S-GCNs）学习节点嵌入之间的距离函数，使同一实体对的距离最小化，无关实体对的距离最大化。
• 图神经网络在连接节点间传播信息，实现捕捉结构和基于属性关系的上下文表征学习。
• 节点特征包括实体属性和上下文元数据，而图结构则编码实体之间的关系和层次连接。
• 使用对比损失进行模型训练，以在嵌入空间中优化匹配实体之间的相似性，以及未匹配实体之间的差异性。
• 通过生成合成别名进行数据增强，通过丰富邻域信息显著提升泛化能力，尤其对低度数节点有益。

实验结果

研究问题

• RQ1 图结构表示能否在涉及结构化和非结构化数据的数据集成任务中提升实体匹配性能？
• RQ2 孪生网络与图神经网络的结合在极少标注数据下学习判别性实体嵌入方面有多高效？
• RQ3 保留图结构和关系上下文在多大程度上能提升记录关联的准确性，相较于传统基于规则或非图深度学习方法？
• RQ4 该模型在连接稀疏或属性信息有限的实体上泛化能力如何？
• RQ5 通过合成别名进行数据增强对模型性能和鲁棒性有何影响？

主要发现

• 所提出的 S-GCN 方法在业务实体关联任务中优于标准基于规则的系统和非图深度学习方法。
• 基于图的建模实现了在连接实体间有效传播信息，从而生成更具判别性的节点嵌入。
• 该模型具有高度可扩展性和鲁棒性，尤其得益于图中的关系上下文和结构信息。
• 通过合成别名进行数据增强显著提升了性能，尤其对连接较少或低度数节点效果明显。
• 该方法仅需极少标注数据，由于图结构提供的有效归纳偏差，实现了接近零标注成本的强泛化能力。
• 利用来自数据库或外部来源的知识图，可实现自动且可扩展的表征学习，无需人工特征工程。