Alignement d'entités par réflexion relationnelle

L’alignement d’entités vise à identifier des paires d’entités équivalentes issues de graphes de connaissances (KG) différents, ce qui est essentiel pour intégrer des KG issus de sources multiples. Récemment, avec l’introduction des réseaux de neurones de type GNN (Graph Neural Networks) dans l’alignement d’entités, les architectures des modèles récents sont devenues de plus en plus complexes. Nous observons même deux phénomènes contre-intuitifs au sein de ces méthodes : (1) la transformation linéaire standard utilisée dans les GNNs se révèle peu efficace ; (2) de nombreux modèles avancés d’embeddings de KG conçus pour la tâche de prédiction de liens se comportent médiocrement dans l’alignement d’entités. Dans cet article, nous reformulons les méthodes existantes d’alignement d’entités dans un cadre unifié, appelé Shape-Builder & Alignment, qui permet non seulement d’expliquer ces phénomènes, mais aussi de dériver deux critères clés pour une opération de transformation idéale. Par ailleurs, nous proposons une nouvelle méthode basée sur les GNNs, nommée Relational Reflection Entity Alignment (RREA). RREA exploite une transformation par réflexion relationnelle afin d’obtenir efficacement des embeddings spécifiques aux relations pour chaque entité. Les résultats expérimentaux sur des jeux de données réels montrent que notre modèle surpasse significativement les méthodes de pointe, avec une amélioration de 5,8 % à 10,9 % sur Hits@1.