Gemeinsames Lernen von Entitäts- und Relationsdarstellungen für die Entitätsausrichtung

Die Entitätsausrichtung stellt eine wirksame Methode zur Integration heterogener Wissensinhalte zwischen verschiedenen Wissensgraphen (KGs) dar. In jüngsten Entwicklungen wird häufig ein auf Embeddings basierender Ansatz verfolgt, um die strukturelle Information von KGs zu modellieren, sodass die Entitätsausrichtung im Embedding-Raum effizient durchgeführt werden kann. Allerdings nutzen die meisten bestehenden Ansätze die nützlichen Relationenrepräsentationen nicht explizit, um die Entitätsausrichtung zu unterstützen – was, wie wir in diesem Paper zeigen, eine einfache, jedoch wirksame Möglichkeit darstellt, die Genauigkeit der Entitätsausrichtung zu verbessern. In dieser Arbeit präsentieren wir einen neuartigen gemeinsamen Lernrahmen für die Entitätsausrichtung. Im Kern unseres Ansatzes steht ein auf Graphen-Convolutional-Networks (GCN) basierender Rahmen zur gemeinsamen Lernung von Entitäts- und Relationenrepräsentationen. Anstatt auf vorgegebene, bereits ausgerichtete Relationen-Samen zurückzugreifen, approximieren wir zunächst die Relationen durch die durch das GCN gelernten Entitäts-Embeddings. Anschließend integrieren wir diese Relationenapproximation in die Entitäten, um iterativ verbesserte Repräsentationen für beide zu erlernen. Experimente an drei realen, mehrsprachigen Datensätzen zeigen, dass unser Ansatz die state-of-the-art-Methoden für die Entitätsausrichtung erheblich übertrifft.