Zeitbewusste Graphen-neuronale Netzwerke für die Entitätsausrichtung zwischen zeitlichen Wissensgraphen

Die Entity-Alignment-Zielsetzung besteht darin, äquivalente Entity-Paare zwischen verschiedenen Wissensgraphen (KGs) zu identifizieren. In letzter Zeit hat die Verfügbarkeit von zeitlichen Wissensgraphen (TKGs), die zeitliche Informationen enthalten, die Notwendigkeit erzeugt, über Zeit hinweg zu schließen (reasoning) in solchen TKGs. Bestehende auf Embeddings basierende Ansätze zur Entity-Alignment vernachlässigen häufig die zeitlichen Informationen, die in vielen großskaligen KGs üblicherweise vorhanden sind, was erhebliches Verbesserungspotenzial offenlässt. In diesem Paper konzentrieren wir uns auf die Aufgabe der Alignierung von Entity-Paaren zwischen TKGs und stellen einen neuartigen, zeitbewussten Ansatz zur Entity-Alignment basierend auf Graph Neural Networks (TEA-GNN) vor. Wir projizieren Entitäten, Relationen und Zeitstempel verschiedener KGs in einen Vektorraum und nutzen GNNs, um Entitätsrepräsentationen zu lernen. Um sowohl Relationen- als auch Zeitinformationen in die GNN-Struktur unseres Modells einzubeziehen, verwenden wir eine Self-Attention-Mechanismus, der verschiedenen Knoten unterschiedliche Gewichte zuweist, wobei orthogonale Transformationsmatrizen aus den Embeddings der relevanten Relationen und Zeitstempel in der Nachbarschaft berechnet werden. Experimentelle Ergebnisse auf mehreren realen TKG-Datensätzen zeigen, dass unsere Methode aufgrund der Einbeziehung zeitlicher Informationen signifikant die bisherigen State-of-the-Art-Methoden übertrifft.