用于实体对齐的多跳邻域联合采样方法

实体对齐的目的是寻找不同知识图谱中指向同一概念的实体,然而不同知识图谱之间的结构异构性增加了实体对齐的难度.现有方法主要使用实体邻域信息来降低结构异构性,但仍未对邻域的构建进行优化.因此,提出一种用于实体对齐的多跳邻域联合采样方法.首先使用图卷积神经网络得到两个知识图谱中实体的嵌入向量;其次使用多跳邻域联合采样机制,基于邻居实体在本实体多跳子邻域中的复现频次,计算出邻居实体的结构采样权重,基于邻居实体与本实体间的语义相似度,计算出邻居实体的语义采样权重,联合结构采样权重和语义采样权重,遍历所有实体,为每个实体采样多跳邻居,构建出各自的多跳邻域;之后将这些实体及其候选实体间的多跳邻域跨图交互信息聚合于实体嵌入向量中,最后计算嵌入向量间的对齐距离.在实体对齐公共数据集DBP15k的3个跨语言子集上进行实验,相较于基线模型,所提方法在Hit@1指标上分别提升3.3%,3.5%和1.8%.实验结果表明所提方法能有效提升实体对齐结果的准确性.