Gemeinsame mehrsprachige Wissensgraph-Vervollständigung und -Ausrichtung
Die Ausrichtung und Vervollständigung von Wissensgraphen (Knowledge Graphs, KGs) werden üblicherweise als zwei voneinander unabhängige Aufgaben betrachtet. Obwohl jüngste Arbeiten Entity- und Relationen-Ausrichtungen zwischen mehreren KGs nutzten, beispielsweise zwischen mehrsprachigen KGs mit gemeinsamen Entitäten und Relationen, bleibt das tiefere Verständnis der Möglichkeiten, wie die mehrsprachige Wissensgraphen-Vervollständigung (Multilingual Knowledge Graph Completion, MKGC) die Erstellung mehrsprachiger Wissensgraphen-Ausrichtungen (Multilingual Knowledge Graph Alignment, MKGA) unterstützen kann, weiterhin begrenzt. Ausgehend von der Beobachtung, dass strukturelle Inkonsistenzen – die Hauptursache für Schwierigkeiten bei MKGA-Modellen – durch Methoden zur Wissensgraphen-Vervollständigung gemildert werden können, schlagen wir ein neuartiges Modell vor, das Wissensgraphen gleichzeitig vervollständigt und ausrichtet. Unser vorgeschlagenes Modell kombiniert zwei Komponenten, die gemeinsam die Vervollständigung und Ausrichtung von Wissensgraphen bewirken. Beide Komponenten setzen relationenbewusste Graph-Neuronale Netze ein, die wir entwickelt haben, um mehrschrittige Nachbarschaftsstrukturen in Entitäten- und Relationenrepräsentationen zu kodieren. Darüber hinaus schlagen wir (i) einen Mechanismus zur Reduktion struktureller Inkonsistenzen vor, der Informationen aus der Vervollständigung in die Ausrichtungskomponente integriert, sowie (ii) einen Mechanismus zur Erweiterung von Ausrichtungssammlungen und zum Transfer von Tripeln, um die Ausrichtungssammlungen zu vergrößern und Tripel während des Ausrichtungsprozesses zu übertragen. Umfangreiche Experimente auf einem öffentlichen mehrsprachigen Benchmark zeigen, dass unser vorgeschlagenes Modell bestehende, konkurrenzfähige Baselines übertrifft und sowohl für die MKGC- als auch die MKGA-Aufgabe neue SOTA-Ergebnisse erzielt. Die Implementierung unseres Modells stellen wir öffentlich unter https://github.com/vinhsuhi/JMAC zur Verfügung.