論文筆記整理：譚亦鳴，東南大學博士生

來源：AAAI‘21

鏈接：https://ojs.aaai.org/index.php/AAAI/article/view/16585

概述

本文提出了一種動態圖譜(KG)對齊方法，在“動態”（即圖譜可能隨時間更新）的設定下，作者認為該任務的難點在于實體embedding的更新，因為KG更新后拓撲結構也會隨之變化，而實體embedding與圖譜結構高度相關。所提方法DINGAL-系列的核心思路是將KG表示學習使用的GCN參數矩陣視作特征轉換操作，從而減少轉換和聚合過程間的耦合。在與現有的14個方法在DBP15K數據集上的對比結果表明，論文方法取得不錯性能，且提升了對齊速度。

背景與動機

這篇論文定義的實體對齊任務目標是將不完整的KG之間通過建立鏈接，獲得一個完整KG的過程（如圖1）。作者表示，現有對齊方法普遍假定KG是靜態的，而事實上KG應該是處于一個更新和發展的過程中。基于此，論文提出了一個擴展的對齊任務：動態圖譜對齊。

貢獻

作者總結其貢獻如下：

1.定義了動態圖譜對齊問題，并第一個展開研究2.提出了新的算法，DINGAL系列，包括DINGAL-B(靜態對齊)和GINGAL-O以及GINGAL-U面向動態對齊3.實驗對比現有14種對齊模型取得了性能超越，并且系列算法取得了更快的運行速度

方法

圖2給出了本文算法的描述，B算法用最初KG得到embedding，O和U的主要區別在于O沿用了B算法預訓練參數對圖譜更新后受到影響的節點作表示學習。而U則使用了一個全新的錨鏈接來更新參數。

圖3給出了傳統GCN過程，一個聚合-再-轉換的函數。節點首先聚合它的鄰居特征，然后這些特征通過一個線性轉換矩陣投影到隱空間。

在傳統方式下隨KG結構變化來動態更新圖譜embedding要求變化最好只發生在受影響的一小部分節點上。解決方向在于切斷圖譜拓撲結構與GCN參數矩陣之間的耦合。

作者首先將節點嵌入矩陣通過線性轉換投影到一個隱空間，然后基于L聚合鄰居節點的特征。DINGAL-B的流程如圖4所示，對于任一實體的輸入特征X，首先進入一個拓撲不變mask門M（公式2），該公式表示Hadamard乘積，用于確定特征不同維度的重要性（類似注意力機制）。

接著mask門的輸出被輸入到一個GCN層（公式3）

同時這個GCN層輸出和mask門的輸出一同輸入到highway門（公式4）

最終網絡的輸出為：

接著使用以下的公式來衡量兩個節點的距離：

對于DINGAL-O，首先保留了B方法的所有參數，在動態更新中更新那些受到影響的實體embedding。單跳受影響實體被定義為新實體（新增實體）和老實體（增加刪除邊操作），不考慮刪除的實體，因為它們不參與動態對齊。圖5給出了一個受影響節點劃定的例子。

在O方法中，受影響更新的實體embedding的獲取方式如公式8：

La表示局部拉普拉斯矩陣，來自全局L矩陣，La的范圍由受影響的一跳鄰居的size決定。

實驗

實驗使用的數據集是DBP15K，包含三種語言對，覆蓋15K預對齊實體。

靜態實驗還是沿用DBP15K的常規切分測試集

動態實驗，作者隨機將DBP15K里的對齊對切分為三個動態時間步。在對于開始時間t0，KG移除3000個對齊的實體對以及鏈接到它們的邊。對于任何不屬于ground-truth的實體，如果它由于時間的變化而成為一個孤立的實體，它就會被刪除。在時間步t1，1500個對齊的對以及與其鏈接的孤立實體將在t0被添加到KG對，這將在時間步t1形成新的KG對。

數據集評價指標為Hits@1和Hits@10

主要實驗結果如下：（表1消融分析，w/o highway門，mask門，以及單層網絡的效果），從結果看起來highway門是性能提升的主要原因

表2和3是動態對齊實驗結果

作者也給出了結果，論述實驗時間效率上所提方法相比已有方法有明顯效率提升。

---

OpenKG

OpenKG（中文開放知識圖譜）旨在推動以中文為核心的知識圖譜數據的開放、互聯及眾包，并促進知識圖譜算法、工具及平臺的開源開放。

點擊閱讀原文，進入 OpenKG 網站。

總結

以上是生活随笔為你收集整理的论文浅尝 | 动态知识图谱对齐的全部內容，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。