要約
エンティティ同定は、異なる知識グラフ（KG）から等価なエンティティペアを特定することを目的とするものであり、マルチソースの知識グラフ統合において不可欠な技術である。近年、GNN（グラフニューラルネットワーク）がエンティティ同定に導入されたことで、モデルのアーキテクチャはますます複雑化している。このような手法の中には、驚くべき二つの逆直感的現象が見られる：（1）GNNにおける標準的な線形変換が十分に機能しないこと、（2）リンク予測タスクを目的として設計された多くの先進的なKG埋め込みモデルが、エンティティ同定タスクでは劣った性能を示すことである。本論文では、既存のエンティティ同定手法を統一的な枠組み「Shape-Builder & Alignment」に抽象化することで、上記の現象を明確に説明できるだけでなく、理想的な変換操作に求められる二つの重要な基準を導出する。さらに、本研究では、関係反射変換（Relational Reflection Transformation）を活用し、より効率的に各エンティティの関係固有の埋め込みを取得する新たなGNNベースの手法、Relational Reflection Entity Alignment（RREA）を提案する。実世界のデータセットを用いた実験結果から、本モデルが最先端手法を顕著に上回ることを確認した。特にHits@1において、5.8%～10.9%の優位性を示した。