論文筆記整理：譚亦鳴，東南大學博士生，研究興趣：知識圖譜問答

---

本文提出了一種基于圖卷積網絡的跨語言實體對齊方法，通過設計一種屬性 embedding 用于 GCN 的訓練，發現GCN能同時學習到特征 embedding 和屬性 embedding 的信息。實驗表明該方法是目前性能最好的的 GCN 對齊模型。

?

來源：IJCAI 2019

鏈接：

https://www.ijcai.org/proceedings/2019/0929.pdf

動機

在近期的研究工作中， GCN被用來處理一些基于圖的學習問題，也有研究者提出基于該模型的跨語言知識圖譜實體對齊工作。但這些工作并沒有有效的利用圖譜的屬性信息，且對整體模型帶來了負面的影響，這主要是因為對于同一實體，在不同語言上，它的屬性存在較大的差異。雖然也有研究者提出異構圖注意力網絡，提供了節點級與語義級的注意力機制。但這個方法依然沒有考慮不同屬性帶來的影響。

基于上述分析，作者提出利用GCN的聚合能力將屬性embedding加入跨語言知識圖譜對齊中。

方法

? ? ? ? ? ? ?

圖1 描述了本文提出模型的主要框架和流程，待對齊的知識圖譜主要提供了兩個角度的信息，其一是圖譜本身的圖結構信息，這個部分被直接輸入到GCN中， GCN包含多層網絡，其卷積運算過程如以下公式：

? ? ? ? ? ? ?

其中，P是一個n×n鄰接矩陣，n表示節點的數量， ，其中 I 是單位陣，是 的 diagonal node degree 矩陣，H(l) 表示頂點特征矩陣，其作為第l層網絡的輸入。

其二，為了提高不同語言實體信息embed到統一的向量空間中的精準性，作者設計了增強的屬性embedding方法，用于減少不同語言對等實體之間的差異性。

?

該方法包含以下幾個部分：

1. 屬性選擇

首先對于實體屬性出現的數量做降序排列（出現頻率越高的屬性對于實體的描述越準確），然后將排序后的不同語言的知識圖譜屬性進行相交。最后，取Top-k的相交屬性用于embedding。

2. 屬性加權

為了區分屬性的重要性程度，通過以下公式對選定屬性進行加權：

? ? ? ? ? ? ?

其中，wβ表示屬性β的權重，nβ和n’β表示不同圖譜中屬性的數量，α表示權重系數，用于在對齊中強化屬性所占的重要性。

實驗

實驗數據

實驗使用的數據集為DBP15K，由DBpedia中生成，實驗的語言對為中英雙語，包含中文->英文方向，及英文->中文方向的對齊。

?

實驗結果

?

評價指標使用Hits@1，Hits@10，及Hits@50進行對比，結果如下表：

? ? ? ? ? ??

可以看到從統計顯著性上取得了的提升，但是從實際匹配準確性上看，距離可視作工具用于雙語知識庫問答等任務還存在明顯不足。

?

---

?

OpenKG

開放知識圖譜（簡稱 OpenKG）旨在促進中文知識圖譜數據的開放與互聯，促進知識圖譜和語義技術的普及和廣泛應用。

點擊閱讀原文，進入 OpenKG 博客。

總結

以上是生活随笔為你收集整理的论文浅尝 | 基于图卷积网络的跨语言图谱实体对齐的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。