基于图神经网络的多信息优化实体对齐模型

实体对齐是知识融合中的一个关键步骤,旨在发现知识图谱间存在对应关系的实体对.知识图谱融合后可以为下游提供更加广泛而准确的服务.现有的实体对齐模型对实体名称和关系的利用往往不足,在得到实体的向量表示后通过单一的迭代策略或者直接计算得出实体的对齐关系,忽略了部分有用信息,导致实体对齐的结果欠佳.针对上述问题,提出了一种基于图神经网络的多信息优化实体对齐模型.首先,模型的输入融合了实体名称中的单词信息和字符信息,通过注意力机制学习关系的向量表示并利用关系传递信息.在利用实体和关系的预对齐结果修正实体对齐矩阵的基础上,使用延迟接受算法修正部分错误对齐的结果.所提模型在DBP15K的3个子数据集上进行了对比和消融实验.结果表明,相比基线模型,其Hits@1指标分别提高了4.47％,0.82％和0.46％,Hits@10和MRR指标也取得了良好的结果.通过消融实验进一步验证了所提模型的有效性,总体上可以获得更加准确的实体对齐结果.