エンティティアライメントのためのエンティティおよび関係表現の共同学習

エンティティアライメントは、異なる知識グラフ（KG）間の異種知識を統合する有効な手法である。近年の研究動向では、KGの構造情報を埋め込み表現に基づいてモデル化することで、エンティティアライメントを埋め込み空間内で容易に実行するアプローチが主流となっている。しかし、既存の多くの手法は、エンティティアライメントを支援する上で有用な関係表現を明示的に活用していない。本論文では、このような関係表現の活用が、単純でありながらも効果的なアプローチであることを示す。本研究では、エンティティアライメントを目的とした新しい共同学習フレームワークを提案する。本手法の核となるのは、エンティティおよび関係の両方の表現を学習するグラフ畳み込みネットワーク（GCN）に基づくフレームワークである。従来の関係表現学習では、事前にアライメントされた関係の種（relation seeds）に依存するが、本手法では、まずGCNによって学習されたエンティティ埋め込みを用いて関係表現を近似する。その後、その近似された関係表現をエンティティに組み込み、反復的に両者の表現をより高精度に学習する。3つの実世界の多言語跨領域データセットを用いた実験結果から、本手法が最先端のエンティティアライメント手法を顕著に上回ることを確認した。