论文浅尝 - ECIR2021 | 两种实体对齐方法的严格评估

笔记整理 | 谭亦鸣，东南大学博士生

---

来源: ECIR 2021

在这篇工作中，作者对两种SOTA实体对齐方法做了广泛的研究：首先仔细分析了现有benchmark的过程，并论证了其中存在一些缺陷，使得原始方法给出的实验结果之间可能存在不可对比的情况；另一方面，作者怀疑存在一种普遍的直接对测试集做超参数优化的处理，这种情况将会导致论文发表的实验性能的可靠性（价值）不那么高。因此，本文筛选了一种具有代表性的benchmark数据集样本，分析它的特征，同时，考虑到实体的表示对于系统性能的决定性影响，作者对实体表示的不同初始化方案也进行了测试。进一步的，作者使用共同的训练/验证/测试集在所有数据集和所有方法上进行了实验评估，从结果上看，虽然大多数情况下，SOTA方法都优于baseline，但是当数据集包含噪声时，则出现明显性能下降。

首先作者对现有方法的共性做了说明：

1.大多数方法基于GNN

2.使用基于表示学习的实体名特征

3.考虑了KG中不同类型的关系（在预处理过程中聚合不同类型的关系）

基于这些共性，作者选择了在近期工作中效果较好的关系感知-双图卷积网络（RDGCN），此外，也引入了深度图匹配共识（DGMC）出于以下两个因素：i.前面提到的工作未提到该方法 ; ii.在该方法没有使用关系类型信息的条件下，取得了非常好的性能。

实体对齐数据集分析：