초록
다국어 엔티티 정합화(Cross-lingual Entity Alignment, EA)는 다국어 지식 그래프(KGs) 간에 동치 엔티티를 탐색하는 것을 목표로 하며, KGs를 통합하는 데 있어 핵심적인 단계이다. 최근 몇몇 GNN 기반 EA 방법들이 제안되었으며, 여러 공개 데이터셋에서 우수한 성능 향상을 보였다. 그러나 기존의 GNN 기반 EA 방법들은 신경망의 본질적인 단점인 낮은 해석 가능성과 저효율성을 불가피하게 이어받고 있다. GNN 기반 방법들이 가정하는 동형성(isomorphism) 가정에 착안하여, 본 연구에서는 다국어 EA 문제를 할당 문제(assignment problem)로 성공적으로 변환하였다. 이러한 발견을 바탕으로, 신경망을 사용하지 않는 매우 간단하지만 효과적인 비지도 엔티티 정합화 방법(SEU: Simply Effective Unsupervised)을 제안한다. 광범위한 실험 결과를 통해 제안하는 비지도 방법이 모든 공개 데이터셋에서 최첨단의 지도 학습 방법을 초월함을 입증하였으며, 높은 효율성, 해석 가능성, 안정성을 동시에 확보하고 있음을 확인하였다.