Alignement d'entités de graphe de connaissances avec des réseaux de convolution sur graphe : Leçons apprises

Dans ce travail, nous nous concentrons sur le problème d’alignement d’entités dans les graphes de connaissances (Knowledge Graphs, KG) et rapportons nos expériences relatives à l’application d’un modèle fondé sur les réseaux de convolution sur graphe (Graph Convolutional Network, GCN) pour cette tâche. Des variantes du GCN sont utilisées dans plusieurs approches de pointe, ce qui rend essentiel de comprendre les spécificités et les limites des modèles basés sur le GCN. Malgré des efforts considérables, nous n’avons pas réussi à reproduire entièrement les résultats rapportés dans l’article original. Après une analyse approfondie du code fourni par les auteurs, nous avons conclu que leur implémentation diffère de l’architecture décrite dans le papier. En outre, plusieurs astuces sont nécessaires pour faire fonctionner le modèle, certaines d’entre elles étant peu intuitives. Nous présentons une étude d’ablation exhaustive afin de quantifier l’impact de ces astuces ainsi que des modifications apportées à l’architecture sur les performances finales. Par ailleurs, nous examinons les approches actuelles d’évaluation et systématisons les jeux de données de benchmark disponibles. Nous pensons que nos résultats pourraient être utiles aux chercheurs intéressés par l’alignement de graphes de connaissances, ainsi qu’aux novices s’approchant de ce domaine.