【实体对齐·HGCN】Jointly Learning Entity and Relation Representations for Entity Alignment

1. HGCN: “Jointly Learning Entity and Relation Representations for Entity Alignment”.
   Yuting Wu, Xiao Liu, Yansong Feng, Zheng Wang, Dongyan Zhao. (EMNLP 2019) [paper][code]

• 推荐结论：
  • entity name的方法中效果好的一波
• 短评
  • 优点：entity name中效果好，且返回的是排名
  • 缺点：HGCN的GCN虽然使用了highway gate，但不是GAT,大图可能不友好
• 类别：
  • 实体对齐
  • 基于embedding的实体对齐
  • BootEA的bootstrapping方法
  • transE系列–特定于实体对齐的embedding+swap
• 数据集：
  • DWY100k
  • DBP15k
  • DBP-FB
  • SRPRS
• 图谱
  • wikidata/DBpedia/yago3
  • 规模：15k/100k
• 底层模型：
  • 嵌入模块：GCN+highway gate
  • 对齐模块：calibration（学习一个embedding)
  • 相似度：实体L2,关系L1
  • 损失函数：
    • 无embedding loss:
    • 对齐 loss:d=|e1-e2|,margin-based loss
      • 负采样：k-近邻
  • entity alignment+entityname
  • entity name用于model 初始化
• 速度
  • 比boostrapping的方法慢
• 开源软件情况：[code]，不在OpenEA里
• 评估质量：
  • DBP15k:
    • 在使用entity name的模型中仅次于CEA
  • SRPRS：在使用entity name的模型中仅次于CEA
  • DWY100:在使用entity name的模型中仅次于CEA
• 输入：2个KG的关系三元组（seed entity alignment)
• 输出：实体对齐对（也有排名）,关系对齐（有排名）

1.动机

• 动机
  • 没用关系表达
    • 关系和实体密切相关，所以应该有增益
  • 用了关系的：需要关系对齐的seed
    • eg JAPE,IPTransE,MTransE