多通道图神经网络用于实体对齐

实体对齐通常面临结构异质性和种子对齐有限的问题。在本文中，我们提出了一种新颖的多通道图神经网络模型（MuGNN），通过多个通道稳健地编码两个知识图谱（KG），以学习面向对齐的知识图谱嵌入。每个通道分别通过不同的关系加权方案进行编码，其中自注意力机制用于知识图谱补全，而跨知识图谱注意力机制则用于剪枝独有实体。这些编码结果进一步通过池化技术进行融合。此外，我们还推断并传输规则知识，以确保两个知识图谱的一致性补全。MuGNN 预期能够调和两个知识图谱之间的结构差异，从而更好地利用种子对齐。在五个公开数据集上进行的大量实验表明，我们的方法具有优越的性能（平均 Hits@1 指标提高了 5%）。