共同マルチリンガル知識グラフの完成とアライメント

知識グラフ（KG）のアライメントと補完は、通常、独立したタスクとして扱われる。近年の研究では、複数のKG間におけるエンティティおよび関係のアライメント（例えば、共通のエンティティおよび関係を持つ多言語KG間のアライメント）が活用されているが、多言語KG補完（MKGC）が多言語KGアライメント（MKGA）の構築にどのように貢献できるかという点については、依然として深い理解が不足している。構造的不整合——MKGAモデルの主な課題——がKG補完手法によって緩和可能であるという観察に基づき、本研究では、KGの補完とアライメントを統合的に実行する新たなモデルを提案する。本モデルは、KG補完とアライメントの両方を共同で達成する2つのコンポーネントから構成される。これらのコンポーネントは、我々が提案する関係認識型グラフニューラルネットワークを用いて、エンティティおよび関係表現に多ホップ近傍構造をエンコードする。さらに、(i) 補完プロセスから得られた情報をアライメントコンポーネントに統合する構造的不整合低減メカニズム、および (ii) アライメントシードの拡大と三項式の転送を実現するメカニズムを提案する。これらにより、アライメントシードを拡大し、アライメント過程における三項式の伝達を効果的に実現する。公開された多言語ベンチマークを用いた広範な実験の結果、本モデルは既存の競合ベースラインを上回り、MKGCおよびMKGAの両タスクにおいて、新たなSOTA（最良の成果）を達成した。本モデルの実装は、GitHubにて公開しており、https://github.com/vinhsuhi/JMAC から入手可能である。