Wissensgraphen-Entitätsausrichtung mit Graphen-Convolutional Networks: Erkenntnisse aus der Forschung

In dieser Arbeit konzentrieren wir uns auf das Problem der Entitätsausrichtung in Wissensgraphen (Knowledge Graphs, KG) und berichten über unsere Erfahrungen bei der Anwendung eines auf Graph Convolutional Networks (GCN) basierenden Modells für diese Aufgabe. Varianten von GCN werden in mehreren state-of-the-art-Ansätzen eingesetzt, weshalb es wichtig ist, die Spezifika und Grenzen von GCN-basierten Modellen zu verstehen. Trotz erheblicher Anstrengungen gelang es uns nicht, die Ergebnisse des ursprünglichen Papers vollständig nachzuvollziehen. Nach einer gründlichen Überprüfung des von den Autoren bereitgestellten Quellcodes kamen wir zu dem Schluss, dass deren Implementierung von der in dem Paper beschriebenen Architektur abweicht. Zudem erweisen sich mehrere Tricks als notwendig, um das Modell funktionstüchtig zu machen, wobei einige dieser Tricks nicht unmittelbar einsichtig sind. Wir führen eine umfassende Ablationsstudie durch, um die Auswirkungen dieser Tricks und Änderungen an der Architektur auf die endgültige Leistung quantitativ zu bewerten. Darüber hinaus untersuchen wir aktuelle Evaluierungsansätze und systematisieren verfügbare Benchmark-Datensätze. Wir sind überzeugt, dass sowohl erfahrene Forscher als auch Einsteiger, die sich neu in das Gebiet der Wissensgraphen-Alignment-Aufgaben einarbeiten, von unserer Arbeit profitieren können.