摘要
实体对齐在跨语言知识图谱（Knowledge Graph, KG）中识别等价实体方面发挥着关键作用，是实现多知识图谱自动集成的核心技术。现有的基于翻译的实体对齐方法将跨语言知识与单语言知识联合建模为一个统一的优化问题。然而，基于图神经网络（Graph Neural Network, GNN）的方法通常忽略节点间的差异性，或通过实体实例或三元组实例来表示关系，难以捕捉关系中蕴含的元语义信息，也无法有效建模如多对多（n-to-n）关系及多图结构等复杂关系。为应对上述挑战，本文提出一种新型的元关系感知实体对齐方法（Meta Relation Aware Entity Alignment, MRAEA），该方法通过关注节点的入边与出边邻居及其关联关系的元语义信息，直接建模跨语言实体嵌入表示。此外，我们还设计了一种简单而有效的双向迭代策略，在训练过程中动态引入新的对齐种子，进一步提升对齐性能。在三个主流基准实体对齐数据集上的实验结果表明，所提方法在各项指标上均显著优于现有最先进方法，Hit@1指标提升幅度达15%至58%。通过全面的消融实验，我们验证了所提出的元关系感知表示、关系感知自注意力机制以及双向迭代种子选择策略均对性能提升具有重要贡献。相关代码已开源，地址为：https://github.com/MaoXinn/MRAEA。