다중 채널 그래프 신경망을 이용한 엔티티 정렬

엔티티 정렬은 일반적으로 구조적 이질성과 제한된 시드 정렬의 문제를 겪습니다. 본 논문에서는 두 개의 지식 그래프(KG)를 여러 채널을 통해 강건하게 인코딩하여 정렬 지향적 지식 그래프 임베딩을 학습하는 새로운 다중 채널 그래프 신경망 모델(MuGNN)을 제안합니다. 각 채널은 자기 주의(KG 완성에 대한)와 교차-KG 주의(배타적 엔티티 제거를 위한)에 따라 다른 관계 가중치 방식으로 KG를 인코딩하며, 이를 풀링 기술을 통해 결합합니다. 또한, 우리는 두 개의 KG를 일관되게 완성하기 위해 규칙 지식을 추론하고 전송합니다. MuGNN은 두 개의 KG 간의 구조적 차이를 조화롭게 처리하여, 시드 정렬을 더 효과적으로 활용할 것으로 예상됩니다. 다섯 개의 공개 데이터셋에서 수행된 광범위한 실험들은 우리의 우수한 성능(평균 5% Hits@1 상승)을 입증하였습니다.