摘要
实体对齐旨在识别不同知识图谱（Knowledge Graphs, KGs）之间的等价实体对。近年来，包含时间信息的时序知识图谱（Temporal Knowledge Graphs, TKGs）的出现，催生了在TKG上进行时序推理的需求。现有的基于嵌入的实体对齐方法普遍忽略了大量大规模知识图谱中普遍存在的时序信息，因而仍有较大的提升空间。本文聚焦于时序知识图谱之间的实体对齐任务，提出一种基于图神经网络的新型时序感知实体对齐方法（Time-aware Entity Alignment with Graph Neural Networks, TEA-GNN）。该方法将不同知识图谱中的实体、关系以及时间戳嵌入到统一的向量空间中，并利用图神经网络（GNN）学习实体的表示。为在模型的GNN结构中同时融合关系与时间信息，我们引入自注意力机制，通过邻域内相关关系与时间戳嵌入计算出的正交变换矩阵，为不同节点分配差异化的权重。在多个真实世界时序知识图谱数据集上的实验结果表明，由于有效引入了时间信息，所提出的方法显著优于当前最先进的对齐方法。