엔티티 애라이어먼트를 위한 엔티티 및 관계 표현의 공동 학습

엔티티 정렬은 서로 다른 지식 그래프(KG) 간의 이질적 지식을 통합하는 실용적인 수단이다. 최근 이 분야의 발전은 엔티티 정렬을 임베딩 공간에서 쉽게 수행할 수 있도록 지식 그래프의 구조 정보를 임베딩 기반 방식으로 모델링하는 접근을 주로 채택하고 있다. 그러나 기존 대부분의 연구들은 엔티티 정렬에 유용한 관계 표현을 명시적으로 활용하지 않으며, 본 논문에서 보여주겠지만, 이는 단순하면서도 효과적인 엔티티 정렬 성능 향상 방법임을 입증할 수 있다. 본 논문은 엔티티 정렬을 위한 새로운 공동 학습 프레임워크를 제안한다. 본 연구의 핵심은 엔티티 및 관계 표현을 동시에 학습하는 그래프 컨볼루션 네트워크(GCN) 기반 프레임워크이다. 사전에 정렬된 관계 시드를 의존하지 않고, 먼저 GCN에 의해 학습된 엔티티 임베딩을 사용하여 관계 표현을 근사한다. 이후 이 근사된 관계 정보를 엔티티에 통합하여 반복적으로 더 나은 엔티티 및 관계 표현을 학습한다. 세 개의 실제 다국어 데이터셋에 대한 실험 결과, 제안한 방법이 최신 엔티티 정렬 기법들을 상당히 초월함을 확인할 수 있었다.