Sind negative Samples in der Entitätsausrichtung notwendig? Ein Ansatz mit hoher Leistungsfähigkeit, Skalierbarkeit und Robustheit

Entity Alignment (EA) zielt darauf ab, äquivalente Entitäten in verschiedenen Wissensgraphen (KGs) zu identifizieren, was einen entscheidenden Schritt beim Integrieren mehrerer KGs darstellt. Allerdings weisen die meisten bestehenden EA-Methoden eine geringe Skalierbarkeit auf und sind nicht in der Lage, große Datensätze effizient zu verarbeiten. Wir identifizieren drei zentrale Probleme, die zur hohen Zeit- und Speicherkomplexität in bestehenden EA-Methoden beitragen: (1) Ineffiziente Graph-Encoder, (2) Dilemma der negativen Stichprobenauswahl und (3) „Katastrophales Vergessen“ im halbüberwachten Lernen. Um diese Herausforderungen zu bewältigen, schlagen wir eine neuartige EA-Methode vor, die aus drei innovativen Komponenten besteht und hohe Leistung, hohe Skalierbarkeit sowie hohe Robustheit (PSR) ermöglicht: (1) Vereinfachter Graph-Encoder mit relationalem Graph-Sampling, (2) Symmetrische, negativfreie Alignierungsverlustfunktion und (3) Inkrementelles halbüberwachtes Lernen. Darüber hinaus führen wir detaillierte Experimente auf mehreren öffentlichen Datensätzen durch, um die Wirksamkeit und Effizienz unserer Methode zu überprüfen. Die experimentellen Ergebnisse zeigen, dass PSR nicht nur die bisherige State-of-the-Art-Leistung übertreffen, sondern auch beeindruckende Skalierbarkeit und Robustheit aufweist.