《電子技術(shù)應(yīng)用》
您所在的位置：首頁(yè) > 其他 > 设计应用 > 基于动态图注意力聚合多跳邻域的实体对齐
基于动态图注意力聚合多跳邻域的实体对齐
2022年电子技术应用第11期
汪浣沙1，2，黄瑞阳1，2，宋旭晖3，余诗媛3，胡 楠3
1.国家数字交换系统工程技术研究中心，河南 郑州450002； 2.中国人民解放军战略支援部队信息工程大学，河南 郑州450002；3.郑州大学 软件学院，河南 郑州450001
摘要： 实体对齐是实现对不同来源知识库进行融合的重要技术方法，在知识图谱、知识补全领域具有广泛应用。现有基于图注意力的实体对齐模型多使用静态图注意力网络且忽略了实体属性中的语义信息，导致模型存在有限注意、难以拟合、表达能力不足等问题。针对这些问题，开展基于动态图注意力结构建模实体对齐方法研究，首先使用图卷积层建模目标实体的单跳节点表示，其次应用动态图注意力网络获得多跳节点注意力系数并建模，再次利用逐层门控网络聚合图卷积层与动态图注意力层输出的单跳、多跳节点信息，最后拼接通过外部知识预训练自然语言模型提取的实体名称属性嵌入并进行相似度计算。该方法在DBP15K的三类跨语言数据集中都获得了一定的提高，证明了应用动态图注意力网络与融入实体属性语义在提高实体表示能力上的有效性。
中圖分類號(hào)： TP393
文獻(xiàn)標(biāo)識(shí)碼： A
DOI：10.16157/j.issn.0258-7998.222717
中文引用格式： 汪浣沙，黃瑞陽(yáng)，宋旭暉，等. 基于動(dòng)態(tài)圖注意力聚合多跳鄰域的實(shí)體對(duì)齊[J].電子技術(shù)應(yīng)用，2022，48(11)：51-56.
英文引用格式： Wang Huansha，Huang Ruiyang，Song Xuhui，et al. Entity alignment based on dynamic graph attention aggregation in multi-hop neighborhood[J]. Application of Electronic Technique，2022，48(11)：51-56.
Entity alignment based on dynamic graph attention aggregation in multi-hop neighborhood
Wang Huansha1，2，Huang Ruiyang1，2，Song Xuhui3，Yu Shiyuan3，Hu Nan3
1.National Digital Switching System Engineering & Technological R&D Center，Zhengzhou 450002，China； 2.Information Engineering University，Zhengzhou 450002，China；3.Software College，Zhengzhou University，Zhengzhou 450001，China
Abstract： Entity alignment is an important technical method to realize the fusion of knowledge bases from different sources. It is widely used in the fields of knowledge graph and knowledge completion. The existing entity alignment models based on graph attention mostly use static graph attention network and ignore the semantic information in entity attributes, resulting in the problems of limited attention, difficult fitting and insufficient expression ability of the model. To solve these problems, this paper studies the entity alignment method based on the structure modeling of dynamic graph attention. Firstly, the single hop node representation of the target entity is modeled by GCN. Secondly, the multi hop node attention coefficient is obtained and entity modeled by using the dynamic graph attention network, and then the single hop and multi hop node information output by GCN and dynamic graph attention layer is aggregated by layer-wise gating network. Finally, the entity attribute semantic extracted by external knowledge pre training natural language model is embedded and concatenated to calculate similarity. This method has been improved in three types of cross language datasets of DBP15K, which proves the effectiveness of applying dynamic graph attention network and integrating entity attribute semantics in improving entity representation ability.
Key words : dynamic GAT；graph convolution network；entity alignment；knowledge graph；representation learning

0 引言

    實(shí)體對(duì)齊任務(wù)指利用模型或算法判斷多個(gè)不同表示的實(shí)體是否指代現(xiàn)實(shí)世界中的同一對(duì)象，隨著知識(shí)圖譜因其結(jié)構(gòu)性表示知識(shí)等優(yōu)勢(shì)而在各大自然語(yǔ)言處理與計(jì)算機(jī)視覺(jué)領(lǐng)域任務(wù)中廣泛應(yīng)用，實(shí)體對(duì)齊作為知識(shí)圖譜補(bǔ)全任務(wù)的重要組成部分受到越來(lái)越多研究者的關(guān)注。

    現(xiàn)有實(shí)體對(duì)齊方法主要分為基于轉(zhuǎn)移距離模型與基于圖卷積網(wǎng)絡(luò)模型，即利用轉(zhuǎn)移距離模型或圖卷積網(wǎng)絡(luò)將多源實(shí)體表示為低維向量并計(jì)算相似性以找到對(duì)齊實(shí)體對(duì)。目前主流的基于圖卷積網(wǎng)絡(luò)的實(shí)體對(duì)齊模型常使用傳統(tǒng)的靜態(tài)圖注意力網(wǎng)絡(luò)對(duì)實(shí)體進(jìn)行特征提取與語(yǔ)義建模，但靜態(tài)圖注意力網(wǎng)絡(luò)注意力函數(shù)存在單調(diào)性，即對(duì)于任意查詢節(jié)點(diǎn)i，圖注意力網(wǎng)絡(luò)都傾向給予同一節(jié)點(diǎn)j更高的注意力權(quán)重，這將會(huì)嚴(yán)重影響網(wǎng)絡(luò)的特征提取能力。而文獻(xiàn)[1]所提出的動(dòng)態(tài)圖注意力網(wǎng)絡(luò)中每個(gè)查詢(Query)對(duì)鍵(Key)的注意系數(shù)都有不同的排序，因此具有更強(qiáng)的表示能力。圖1展示了靜態(tài)與動(dòng)態(tài)圖注意力網(wǎng)絡(luò)注意力傾向示意。




本文詳細(xì)內(nèi)容請(qǐng)下載：http://www.ihrv.cn/resource/share/2000005004。




作者信息：

汪浣沙1，2，黃瑞陽(yáng)1，2，宋旭暉3，余詩(shī)媛3，胡  楠3

(1.國(guó)家數(shù)字交換系統(tǒng)工程技術(shù)研究中心，河南 鄭州450002；

2.中國(guó)人民解放軍戰(zhàn)略支援部隊(duì)信息工程大學(xué)，河南 鄭州450002；3.鄭州大學(xué) 軟件學(xué)院，河南 鄭州450001)




wd.jpg

此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。

相關(guān)內(nèi)容