MRAEA: Ein effizienter und robuster Ansatz zur Entitätsausrichtung für mehrsprachige Wissensgraphen

Die Entitätalignierung zur Identifizierung äquivalenter Entitäten in mehrsprachigen Wissensgraphen (KGs) spielt eine entscheidende Rolle bei der automatischen Integration mehrerer KGs. Bestehende auf Übersetzung basierende Methoden zur Entitätalignierung modellieren gemeinsam mehrsprachige und ein- bzw. monolinguale Kenntnisse in einem einheitlichen Optimierungsproblem. Im Gegensatz dazu ignorieren Methoden, die auf Graph Neural Networks (GNNs) basieren, entweder die Unterschiede zwischen Knoten oder repräsentieren Relationen durch Entitäten oder Tripelinstanzen. Alle diese Ansätze sind nicht in der Lage, die in Relationen eingebetteten Meta-Semantiken oder komplexe Relationen wie n-zu-n-Beziehungen und mehrfache Graphen zu modellieren. Um diese Herausforderungen zu bewältigen, schlagen wir einen neuen Ansatz namens Meta Relation Aware Entity Alignment (MRAEA) vor, der die mehrsprachigen Entitätsdarstellungen direkt durch eine Aufmerksamkeit über die eingehenden und ausgehenden Nachbarn eines Knotens sowie die Meta-Semantiken der verbundenen Relationen modelliert. Zusätzlich stellen wir eine einfache und effektive bidirektionale iterative Strategie vor, um während des Trainings neue ausgerichtete Samen hinzuzufügen. Unsere Experimente auf allen drei Standard-Datensätzen für die Entitätalignierung zeigen, dass unser Ansatz konsistent die derzeit besten Methoden übertrifft und bei Hit@1 um 15 % bis 58 % verbessert. Durch eine umfassende Ablationsstudie bestätigen wir, dass die vorgeschlagenen meta-relationssensitiven Darstellungen, die relationssensitive Selbst-Aufmerksamkeit und die bidirektionale iterative Strategie zur Auswahl neuer Samen alle entscheidend zur signifikanten Leistungssteigerung beitragen. Der Quellcode ist unter https://github.com/MaoXinn/MRAEA verfügbar.