Von Alignment zur Zuordnung: Frustrierend einfache unüberwachte Entitätsausrichtung

Die cross-lingual Entity Alignment (EA) zielt darauf ab, äquivalente Entitäten zwischen mehrsprachigen Wissensgraphen (KGs) zu identifizieren, was ein entscheidender Schritt für die Integration von Wissensgraphen darstellt. In jüngster Zeit wurden zahlreiche GNN-basierte EA-Methoden vorgeschlagen, die auf mehreren öffentlichen Datensätzen signifikante Leistungsverbesserungen erzielen konnten. Gleichzeitig erben bestehende GNN-basierte EA-Methoden unvermeidlich die geringe Interpretierbarkeit und geringe Effizienz von neuronalen Netzwerken. Ausgehend von der isomorphen Annahme, die den GNN-basierten Methoden zugrunde liegt, gelingt es uns, das Problem der cross-lingual Entity Alignment erfolgreich in ein Zuordnungsproblem zu transformieren. Auf dieser Erkenntnis aufbauend stellen wir eine äußerst einfache, aber effektive, unsupervisierte Entity-Alignment-Methode ohne neuronale Netzwerke (SEU) vor. Umfangreiche Experimente zeigen, dass unsere vorgeschlagene unsupervisierte Methode sogar fortgeschrittene supervisierte Methoden auf allen öffentlichen Datensätzen übertrifft und gleichzeitig hohe Effizienz, Interpretierbarkeit und Stabilität aufweist.