초록
엔티티 정렬은 다양한 지식 그래프(KG) 간에 동치 엔티티 쌍을 식별하는 것을 목표로 하며, 다중 소스 지식 그래프 통합에 있어 필수적인 과정이다. 최근 GNN(Graph Neural Network)이 엔티티 정렬에 도입되면서, 관련 모델의 아키텍처는 점점 더 복잡해지고 있다. 이러한 방법들 내부에서 우리는 두 가지 직관에 반하는 현상을 발견하였다: (1) GNN에서 일반적으로 사용되는 표준 선형 변환은 잘 작동하지 않는다. (2) 링크 예측 작업을 위해 설계된 많은 고급 KG 임베딩 모델들이 엔티티 정렬에서는 뛰어난 성능을 보이지 못한다. 본 논문에서는 기존의 엔티티 정렬 방법들을 통합된 프레임워크인 'Shape-Builder & Alignment'로 추상화하여, 위의 현상들을 성공적으로 설명함과 동시에 이상적인 변환 연산을 위한 두 가지 핵심 기준을 도출하였다. 또한, 관계 반사 변환(Relational Reflection Transformation)을 활용하여 각 엔티티에 대해 보다 효율적으로 관계 특화 임베딩을 생성하는 새로운 GNN 기반 방법인 RREA(Relational Reflection Entity Alignment)를 제안한다. 실제 데이터셋에서 수행한 실험 결과, 제안하는 모델은 기존 최고 성능 모델들을 상회하며, Hits@1 지표에서 5.8%~10.9%의 우수한 성능 향상을 보였다.