RREA论文阅读

Relational Reflection Entity Alignment

关系反射实体对齐

ABSTRACT

实体对齐旨在识别来自不同知识图谱(KG)的等效实体对，这对于集成多源知识图谱至关重要。最近，随着 GNN 在实体对齐中的引入，近期模型的架构变得越来越复杂。我们甚至在这些方法中发现了两个反直觉的现象：(1)GNN 中的标准线性变换效果不佳。(2)许多为链接预测任务设计的先进知识图谱嵌入模型在实体对齐方面表现不佳。在本文中，我们将现有的实体对齐方法抽象为一个统一的框架Shape-Builder&Alignment，它不仅成功地解释了上述现象，而且导出了理想变换操作的两个关键标准。此外，我们提出了一种新的基于 GNN 的方法，关系反射实体对齐(RREA)。 RREA 利用关系反射转换以更有效的方式获取每个实体的关系特定嵌入。在真实数据集上的实验结果表明，我们的模型显着优于最先进的方法，在 Hits@1 上超出了 5.8%-10.9%。

1 INTRODUCTION

现有的实体对齐方法可以分为两大类：(1)基于翻译的 (2)基于GNN(通过聚合来自相邻节点的信息来生成嵌入)

在这些复杂的方法中观察到两个反直觉的现象：
Q1：为什么 GNN 的标准线性变换在实体对齐中效果不佳？
Q2：为什么很多先进的KG嵌入模型在实体对齐方面效果不佳？

提出了一个抽象实体对齐框架Shape-Builder & Alignment，成功地得出了解决上述问题的答案：(Q1)实体对齐假设分布之间的相似性，因此为了避免破坏形状，实体的范数和相对距离在变换后应保持不变。因此，变换矩阵必须是正交的。 (Q2)许多先进的知识图谱嵌入模型都有一个共同的关键思想——将实体嵌入转换为特定于关系的嵌入。然而，它们的变换矩阵很难满足正交性。这就是它们在实体对齐方面表现不佳的根本原因。

提出了实体对齐理想变换操作的两个关键标准：关系微分和维度等距。设计了一个新的转换操作，关系反射转换。这种新操作能够沿着不同的关系超平面反映实体嵌入，以构造关系特定的嵌入。同时，反射矩阵是正交的，易于证明，因此反射变换可以保持范数和相对距离不变。通过将这种提出的转换集成到 GNN 中，进一步提出了一种新颖的基于 GNN 的实体对齐方法，即关系反射实体对齐(RREA)。

主要贡献：

• 第一个将现有实体对齐方法抽象为统一框架的工作。通过这个框架，成功地推导出理想转换操作的两个关键标准：关系微分和维度等距。
• 这是设计满足上述两个标准的新转换操作“关系反射转换”的第一个工作。通过将此操作集成到 GNN 中，进一步提出了一种新的基于 GNN 的方法关系反射实体对齐(RREA)。
• 广泛的实验结果表明，该模型在所有现实世界数据集中始终被评为最佳模型，并且在 Hits@1 上比最先进的方法高出 5.8%-10.9%。此外，我们还进行了消融实验，以证明我们模型的每个组件都是有效的。

2 RELATED WORK

2.1 Translation-based Methods

基于翻译的方法(图1(a))通常由两个模块组成：翻译模块和对齐模块。
翻译模块的主要功能是通过基于翻译的知识图谱嵌入模型将随机初始化的嵌入约束为固定分布。
对齐模块：通过将预先对齐的实体作为种子，对齐模块负责将不同KG的嵌入对齐到统一的向量空间中。目前对齐模块有两种类型：(1)映射：通过线性变换矩阵将不同的知识图谱嵌入到统一的向量空间。(2)共享：共享方法通过让每个预对齐对直接共享相同的嵌入来将不同的知识图谱嵌入到统一的向量空间中。

2.2 GNNs-based Methods

基于 GNN 的方法(图1(b))

3 PRELIMINARY

3.1 Problem Formulation

KG 以三元组 ⟨