摘要
实体对齐是从不同的知识图谱中识别出等价的实体，进而实现知识图谱融合。目前的实体对齐方法主要是将实体表示成低维向量，然后通过向量相似度寻找等价的实体。图卷积网络是一种图嵌入模型，通过聚合节点的邻域信息，获得节点的向量表示，其忽略了图上的边信息。现有的基于图卷积网络的实体对齐方法通过聚合实体周围的关系，学习知识图谱中的边信息。然而，由于知识图谱的异构性，等价的实体其周围的关系并不完全相同，实体在聚合周围的关系时会带来噪声，这会降低模型的效果。同时，三元组是知识图谱的基本构成，基于图卷积网络的方法也难以学习知识图谱中的三元组信息。针对以上问题，本文基于图卷积网络给出了相应的解决方案，主要工作如下： （1）为缓解实体对齐中关系信息利用不充分的问题，提出联合无监督关系对齐的实体对齐模型URAEA。模型首先提出了一种关系嵌入的计算方法，以获得准确的关系向量；之后，通过计算关系向量的相似度，生成无监督的等价关系对，作为关系对齐的训练集；最后，联合实体对齐与关系对齐，以学习等价关系对中的关系信息。此外，针对实体对齐中训练集较少的问题，引入了实体训练集扩充策略。为了进一步利用关系信息，提出了关系感知的训练集扩充策略。该策略基于等价关系对，在扩充训练集时考虑实体周围的关系，以获取更加准确的训练集预测结果。在公开的跨语言数据集DBP15K上进行实验，相比本文的基线模型RNM，URAEA在三个数据集上的Hits@1指标分别提升了4.0%、2.9%、2.5%，验证了提出的模型的有效性。 （2）为缓解实体对齐中三元组信息利用不充分的问题，提出联合三元组嵌入的实体对齐模型TEEA。模型计算出实体的三元组嵌入，之后使用此三元组嵌入进行实体对齐，从而利用知识图谱中的三元组信息。此外，考虑到知识图谱中的关系具有不同的属性，提出一种关系属性感知的三元组嵌入计算方法；同时，本文还加入了关系属性的约束，以学习潜在的关系映射属性。在数据集DBP15K上进行实验，三个数据集上的Hits@1指标分别为84.7%、87.6%、94.8%，实验数据优于本文的基线模型RNM，验证了提出的模型的有效性。
NETL