摘要
多语言知识图谱（Multilingual Knowledge Graphs, KGs），如DBpedia和YAGO，包含了多种不同语言中实体的结构化知识，是跨语言人工智能与自然语言处理应用的重要资源。跨语言知识图谱对齐（Cross-lingual KG alignment）旨在将不同语言中对应的实体进行匹配，是丰富多语言知识图谱中跨语言链接的关键方法。本文提出一种基于图卷积网络（Graph Convolutional Networks, GCNs）的新型跨语言知识图谱对齐方法。在给定一组预对齐实体的基础上，该方法通过训练GCNs，将各语言的实体嵌入到统一的向量空间中。实体对齐结果基于嵌入空间中实体间的距离进行判定。所学得的嵌入同时融合了实体的结构信息与属性信息，通过整合结构嵌入与属性嵌入的结果，实现高精度的实体对齐。在真实多语言知识图谱对齐任务的实验中，该方法在性能上优于其他基于嵌入的对齐方法，取得了最佳效果。