摘要
实体对齐是整合不同知识图谱（Knowledge Graphs, KGs）之间异构知识的一种有效方法。近年来，该领域的研究多采用基于嵌入（embedding）的方法来建模知识图谱的结构信息，从而在嵌入空间中实现便捷的实体对齐。然而，大多数现有方法并未显式利用有益的关系表示来辅助实体对齐。本文通过实验证明，这一策略虽简单却极为有效。为此，本文提出了一种新颖的联合学习框架用于实体对齐。该方法的核心是一个基于图卷积网络（Graph Convolutional Network, GCN）的框架，用于联合学习实体与关系的表示。与依赖预对齐关系种子来学习关系表示的传统方法不同，本文首先利用GCN学习到的实体嵌入来近似关系表示，随后将该关系近似结果融入实体表示中，通过迭代方式持续优化实体与关系的表示能力。在三个真实世界跨语言数据集上的实验结果表明，所提方法显著优于当前最先进的实体对齐方法。