基于图卷积网络的知识图谱实体对齐：经验总结

在本工作中，我们聚焦于知识图谱（Knowledge Graph, KG）中的实体对齐问题，并报告了在该任务中应用基于图卷积网络（Graph Convolutional Network, GCN）模型所积累的经验。目前，GCN的多种变体已被广泛应用于多个前沿方法中，因此深入理解基于GCN模型的具体特性及其局限性具有重要意义。尽管投入了大量努力，我们仍未能完全复现原始论文中的实验结果。在对作者提供的代码进行详尽审计后，我们发现其实际实现与论文中描述的模型架构存在显著差异。此外，要使该模型正常运行，还需采用若干技巧，其中部分技巧并不直观。为此，我们开展了全面的消融实验，以量化这些技巧以及架构调整对最终性能的影响。同时，我们还系统性地考察了当前的评估方法，并梳理了现有的基准数据集。我们相信，本研究对从事知识图谱匹配研究的人员具有参考价值，同时也可为初入该领域的研究者提供有益帮助。