摘要
知识图谱（Knowledge Graphs, KGs）已成为统一现实世界实体的流行结构，通过建模实体之间的关系及其属性，实现对复杂知识的系统化表达。实体对齐（Entity Alignment）作为识别不同知识图谱中对应实体的任务，在学术界与工业界均受到广泛关注。然而，现有的对齐方法通常依赖大量标注数据，难以同时编码多模态信息，并且仅施加有限的一致性约束。本文提出了一种面向跨语言知识图谱的端到端、无监督实体对齐框架，通过融合多种类型的信息，充分挖掘知识图谱数据的丰富性。该模型采用一种多阶图卷积神经网络（GCN），在设计上满足一致性约束，以捕捉基于关系的实体关联；同时，通过一个翻译机制融合基于属性的实体关联。我们引入晚期融合（late-fusion）机制，将各类信息统一整合，使不同方法之间能够相互补充，从而显著提升最终对齐效果，并增强模型对一致性违规的鲁棒性。实验结果表明，所提模型在准确率上显著优于现有基线方法，且在运行速度上快几个数量级。此外，我们还验证了模型对超参数的敏感性、在标注成本上的显著节约，以及在对抗性环境下的良好鲁棒性。