論文筆記整理：譚亦鳴，東南大學博士生，研究方向為知識庫問答。

---

來源：AAAI 2019

鏈接：https://aaai.org/ojs/index.php/AAAI/article/view/3798

?

???? 跨圖譜實體對齊任務的目標是從兩個不同知識圖譜中找出同一 real-world 實體，對于這一任務，目前主流的方法多是利用已有的小規模實體對齊作為橋梁，通過 KG embedding 捕獲圖譜中與之相近的實體，構建新的對齊。作者發現不同知識圖譜的謂詞（或者說關系）設定往往具有一定規律性，和表達的相似性，利用這一點，可以初步構建不同圖譜之間的謂詞對齊。知識圖譜中的三元組可以分為“關系三元組（實體-謂詞-實體）”和“屬性三元組（實體-謂詞-屬性）”，而不同圖譜中對于同一屬性的表達往往差異較小。以此為基礎，便可以將不同圖譜embedding至同一空間，實現同一空間中的實體相似性匹配（對齊）。

?

貢獻

作者認為本文的主要貢獻包括以下幾點：

提出了一種跨圖譜實體對齊框架，有謂詞對齊，embedding學習，實體對齊三個模塊組成；

提出一種新的embedding方法，利用實體embedding和屬性embedding之間的關聯，將兩個不同知識圖譜學習到同一的embedding空間中；

在真實的數據集上評估了本方法的性能為目前最優，在對齊任務上達到了50% 的hits@1（在top1的對齊結果中，命中了50%的正確實體）

?

方法

??????????? 圖1是本文方法的框架概述，包含以下幾個過程：

1.????謂詞對齊（predicate alignment）：目標是將兩個圖譜的謂詞對應，并改寫為統一命名，作者發現對于不同的圖譜，其謂詞的命名存在慣例，比如rdfs:label, geo:wgs84pos#lat, and geo:wgs84 pos#long等等。除此之外，還有一些謂詞的描述是局部匹配的，例如：dbp:diedIn vs.yago:diedIn, and dbp:bornIn vs. yago:wasBornIn。因此，作者將這些描述統一（即去除其不相同的部分，比如dbp/yago…），從而構建起圖譜之間的謂詞對齊。

2.????Embedding學習：通過謂詞對齊，兩個知識圖譜的三元組便共享了統一的謂詞空間，因此可以聯合學習兩者的結構embedding和屬性字符embedding，從而生成一個統一的實體向量空間。

結構embedding

這里使用TransE學習知識圖譜的結構embedding，其目標函數形式如下：

其中，，t’表示負樣本，α為控制embedding學習的權值，由以下公式得到:

其中，|T| 為總三元組樣本數，r 為當前謂詞，count(r) 為當前謂詞的出現次數，這一做法增強了“已對齊謂詞”的樣本權值。

屬性 embedding

在TransE模型中，屬性可以看作頭實體（head entity）向量與謂詞向量轉換得到。對于不同知識圖譜的同一屬性，其描述存在一些差異，但大體相同，例如：50.9989 vs.50.9988888889；"BarackObama" vs. "Barack Hussein Obama"。為了使同一屬性的不同描述歸一化，作者提出將屬性識別為字符串，而后投影到同一個空間中，具有相似字符描述的屬性將具有更短的向量距離（這一步作者分別使用SUM/LSTM/N-gram等方法實現，這里不過多贅述，簡寫為f_a(t)）。

因此屬性embedding的損失函數中， 屬性embedding損失函數為：

Joint learning

在獲取上述兩個embedding后，作者聯合兩者的實體向量，構建目標函數將兩者實體投影到同一個空間中：

并整合上述三個目標函數構成embedding整體目標函數為：

3.????實體對齊

在完成上述embedding學習后，實體對齊的目標就是獲取向量距離較小的實體對，即：

實驗

數據集

? 本文在四個 KG 上測試了框架的性能，包括：DBpedia，LinkedGeoData，Geonames 以及 YAGO；圖譜對齊實驗的匹配組合為（DBpedia- LinkedGeoData）,（DBpedia-Geonames），（DBpedia-YAGO），詳細統計信息如下表：

實驗結果

???? 模型性能實驗結果如下表所示，

???? 值得注意的是，當屬性 embedding 采用 N-gram 策略時，性能尤其突出。

?

---

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。

創作挑戰賽新人創作獎勵來咯，堅持創作打卡瓜分現金大獎

總結

以上是生活随笔為你收集整理的论文浅尝 | 基于属性embeddings的跨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。