Les échantillons négatifs sont-ils nécessaires pour l’alignement d’entités ? Une approche offrant des performances élevées, une scalabilité et une robustesse remarquables

L’alignement d’entités (EA) vise à identifier les entités équivalentes présentes dans différents graphes de connaissances (KG), constituant une étape cruciale dans l’intégration de plusieurs KG. Toutefois, la plupart des méthodes actuelles d’EA présentent une faible scalabilité et peinent à traiter des jeux de données à grande échelle. Nous identifions trois problèmes principaux à l’origine de cette complexité temporelle et spatiale élevée dans les méthodes existantes : (1) encodeurs de graphes peu efficaces, (2) dilemme lié à l’échantillonnage négatif, et (3) « oubli catastrophique » dans l’apprentissage semi-supervisé. Pour relever ces défis, nous proposons une nouvelle méthode d’EA intégrant trois composants innovants afin d’assurer une haute Performance, une haute Scalabilité et une haute Robustesse (PSR) : (1) un encodeur de graphe simplifié basé sur un échantillonnage de graphe relationnel, (2) une fonction de perte d’alignement symétrique sans échantillonnage négatif, et (3) un apprentissage semi-supervisé incrémental. Par ailleurs, nous menons des expériences détaillées sur plusieurs jeux de données publics afin d’évaluer l’efficacité et l’efficience de la méthode proposée. Les résultats expérimentaux montrent que PSR surpasse non seulement l’état de l’art précédent en termes de performance, mais démontre également une scalabilité et une robustesse remarquables.