基于属性权重更新网络的跨语言实体对齐方法

跨语言知识图谱中属性数量庞大且重复率低导致对齐任务中属性信息难以高效嵌入。针对上述问题,提出了一种基于属性权重更新网络的跨语言实体对齐模型。为了高效地实现属性信息的嵌入,通过一个构造器利用实体嵌入来近似地构造属性的嵌入,避免了属性嵌入的单独训练;基于不同属性对实体对齐贡献不同的事实,采用了一种基于图注意力网络的属性权重更新模块,可以在训练过程中利用注意力得分不断更新每个属性的权重;通过一个属性聚合模块将属性嵌入和属性权重信息聚合到实体嵌入中,强化了实体的嵌入表示,从而提升了实体对齐的效果。提出的模型在3个跨语言数据集的实验结果显示Hits@1评价指标分别为0.751,0.805和0.915,对齐效果均优于目前主流的实体对齐方法。

融合属性嵌入与关系注意力的跨语言实体对齐

目前知识图谱实体对齐的主流方法是通过图神经网络学习知识图谱的嵌入表示,并测量实体嵌入之间的相似性实现实体的对齐.很多实体对齐方法只考虑知识图谱的结构信息和关系信息,却常常忽略了属性信息.针对上述问题,提出了一种融合属性嵌入的实体对齐方法:融合属性信息的精简关系感知双图卷积网络模型.首先,基于关系感知双图卷积网络的注意力机制提取知识图谱的关系信息;然后,利用带高速门的图卷积网络获取属性信息;最后,融合二者的嵌入信息以实现更高准确率的实体对齐.在3个跨语言数据集上的实验结果表明,该方法通过融合知识图谱属性信息增强了实体表示能力,在3个数据集上Hits@1值相比原模型分别增长了6.42%、4.59%和1.98%,对齐效果明显优于目前主流的实体对齐方法.