グラフ畳み込みネットワークを用いた知識グラフエンティティアライメント：学び得た教訓

本研究では、知識グラフ（Knowledge Graph, KG）におけるエンティティアライメント問題に注目し、グラフ畳み込みネットワーク（Graph Convolutional Network, GCN）を用いたアプローチの実装経験について報告する。GCNの変種は、多数の最先端手法で採用されており、GCNベースのモデルの特徴および限界を理解することは極めて重要である。しかし、懸命な試みにもかかわらず、元論文の結果を完全に再現することができなかった。著者らが公開したコードを徹底的に検証した結果、実装内容が論文に記載されたアーキテクチャと異なることが判明した。さらに、モデルの正常な動作を確保するためにはいくつかのテクニックが必要であり、その一部は直感的ではないものも含まれている。本研究では、これらのテクニックおよびアーキテクチャの変更が最終性能に与える影響を定量化するため、広範なアブレーションスタディを実施している。また、現在の評価手法を検討し、利用可能なベンチマークデータセットを体系化している。本研究が知識グラフのマッチングに興味を持つ研究者、特にこの分野に新たに参入する初心者にとって有益であると考える。