笔记整理 | 谭亦鸣，东南大学博士生
来源：COLING 2020
链接：https://www.aclweb.org/anthology/2020.coling-main.520.pdf
本文发现，目前基于GCN的对齐方法都是分别考虑两个KG，然后分别学习它们的embedding，并认为这种做法忽视了KG预对齐链接的使用。因此，作者提出了一种新的上下文对齐强化跨图谱注意力网络（Contextual Alignment Enhanced Cross Graph Attention Network, CAECGAT），用于跨语言实体对齐任务。该模型能够利用来自预对齐种子的跨图谱信息联合学习不同图谱的embedding。论文在三个benchmark实体链接数据集上做了充分的实验，论证了该方法性能上的优势。
方法
图1(a) 描述了使用预对齐实体的上下文信息，能够为对齐构建提供更加充分的证据。
例如：中文图谱中的“哥威迅语“是的译文可以匹配上英文图谱中的”Gothic language“，但是事实上正确的英文实体对齐是”Gwich’ in language“，利用预对齐的上下文信息则可清晰判断出这种情况。
图1(b) 则描述了考虑预对齐上下文的模型与常规GCN-based模型之间的区别。
图2是CAECGAT的方法示意图，其中的核心是CGAT（Cross-KG Attention）层，该部分包含Aggregation和 Attention-based Cross-KG Propagation两个主要部分，前者利用预对齐种子上下文，转换双语图谱得到跨图谱信息。后者则用于扩展这些跨图谱信息。进一步利用Stacking multiple CGAT层，能够扩展单跳邻居信息为多跳邻居。
对于每组预对齐实体组合，组合它们在其他KG中的对应实体的embedding，并使用一个门单元更新它们。其形式如公式1：
其中，el表示第l层的向量表示，gl表示门单元，用于控制跨图谱信息流，如公式2，对于没有预对齐的实体在aggregation层则没有变化。
通过应用这种aggregation方法，可以获得带有共享实体表示的跨图谱embedding，形式上如公式3，4所示：
接着，利用收集的邻居信息，继续使用attention机制对entity embeding进行更新，形式如公式5和6：
形式上，上述aggregation与propagation两层可以一起表示为：
作者描述CAECGAT模型的算法如下：
实验
本文实验使用的是DBP15K数据的三个子集，统计信息如下所示：
实验结果如表3所示：
OpenKG
开放知识图谱（简称 OpenKG）旨在促进中文知识图谱数据的开放与互联，促进知识图谱和语义技术的普及和广泛应用。
点击阅读原文，进入 OpenKG 网站。
