联合多语言知识图谱补全与对齐

知识图谱（Knowledge Graph, KG）对齐与补全通常被视为两个独立的任务。尽管近期研究已利用多知识图谱之间的实体与关系对齐，例如具有共同实体和关系的多语言知识图谱之间的对齐，但对于多语言知识图谱补全（Multilingual Knowledge Graph Completion, MKGC）如何促进多语言知识图谱对齐（Multilingual Knowledge Graph Alignment, MKGA）的深层次机制仍缺乏充分理解。基于观察到结构不一致性——这是MKGA模型面临的主要挑战——可通过知识图谱补全方法有效缓解，我们提出了一种新型联合完成与对齐知识图谱的模型。该模型由两个协同工作的组件构成，共同实现知识图谱的补全与对齐。这两个组件采用我们提出的、具有关系感知能力的图神经网络，将多跳邻域结构编码为实体与关系的表示。此外，我们还提出了：（i）一种结构不一致性降低机制，将补全过程中的信息引入对齐组件，以增强对齐的准确性；（ii）一种对齐种子扩展与三元组迁移机制，用于在知识图谱对齐过程中扩大对齐种子集并迁移三元组信息。在公开的多语言基准数据集上的大量实验表明，所提出的模型显著优于现有先进基线方法，在MKGC与MKGA两个任务上均取得了新的最先进性能。我们已将模型的公开实现代码发布于：https://github.com/vinhsuhi/JMAC