论文浅尝 - ACL2020 | 用于实体对齐的邻居匹配网络

笔记整理 | 谭亦鸣，东南大学博士

---

来源：ACL 20

链接：https://www.aclweb.org/anthology/2020.acl-main.578.pdf

1.介绍

图谱之间的异构差异是建立实体对齐的一个主要挑战，本文提出了Neighborhood Match Network (NMN)，用于处理上述挑战。NMN的主要创新在于:

i.使用一个图采样方法(neighborhood sample)为每个实体提取一个不同的邻居；

ii.建立跨图邻居匹配模型对给定实体对的邻居差异进行联合编码。这种策略使得NMN能够有效的建立面匹配的实体表示，而忽略具有负面影响的噪声邻居。作者在DBP15K，DWY100K以及S-DBP15K等三个数据集上进行了充分实验，证明NMN能够在更困难的情况下评估邻居相似性，相对已有的12种方法也展现出更优的性能。

2.模型/方法

首先给出一些基本定义：

G表示一个KG

G = (E,R,T)， E，R，T分别表示实体集，关系集，三元组集

方法用于构建两个KG之间的实体对齐，即G1和G2

任务的最终目的是获取G1与G2之间的等价实体pair

在真实KG之间，邻居异构以及通用噪声邻居的存在，使得对齐模型难以从中捕捉到有效的信息。为了解决这个问题，NMN首先使用GCN对邻居的拓扑信息进行建模，然后使用neighborhood sample选择更具价值的邻居，接着通过跨图匹配模型捕捉邻居差异。

图2给出了本文模型的主要框架流程：