Relationale Reflexions-Entitätsausrichtung

Die Entitätsausrichtung zielt darauf ab, äquivalente Entitätenpaare aus verschiedenen Wissensgraphen (KGs) zu identifizieren, was entscheidend für die Integration mehrerer Quellen von Wissensgraphen ist. In jüngster Zeit sind die Architekturen aktueller Modelle aufgrund der Einführung von GNNs (Graph Neural Networks) zunehmend komplexer geworden. Dabei beobachten wir sogar zwei kontraintuitive Phänomene innerhalb dieser Ansätze: (1) Die herkömmliche lineare Transformation in GNNs funktioniert nicht optimal. (2) Viele fortschrittliche KG-Embedding-Modelle, die für die Link-Vorhersage entwickelt wurden, erzielen in der Entitätsausrichtung nur schlechte Ergebnisse. In diesem Paper fassen wir bestehende Methoden zur Entitätsausrichtung in einem einheitlichen Rahmen zusammen, den wir als „Shape-Builder & Alignment“ bezeichnen. Dieser Rahmen erklärt nicht nur die oben genannten Phänomene erfolgreich, sondern leitet auch zwei zentrale Kriterien für eine ideale Transformationsoperation ab. Darüber hinaus stellen wir eine neuartige, auf GNNs basierende Methode namens Relational Reflection Entity Alignment (RREA) vor. RREA nutzt die Relationale Reflexions-Transformation, um für jede Entität effizient relationsspezifische Embeddings zu generieren. Experimentelle Ergebnisse auf realen Datensätzen zeigen, dass unser Modell die derzeit besten Ansätze deutlich übertrifft – mit einer Steigerung von 5,8 % bis 10,9 % bei Hits@1.