Cross-linguale Wissensgraph-Ausrichtung über ein Graph-Matching-Neuronales Netzwerk

Frühere Studien zur cross-lingualen Ausrichtung von Wissensgraphen (KG) basieren auf Entitäts-Embeddings, die nur aus monolingualen KG-Strukturinformationen abgeleitet werden, was möglicherweise fehlschlägt, wenn Entitäten verglichen werden, die unterschiedliche Fakten in zwei KGs aufweisen. In diesem Papier führen wir den Themenentitätsgraph ein, ein lokaler Untergraph einer Entität, um Entitäten mit ihren Kontextinformationen im KG darzustellen. Aus dieser Perspektive kann die KB-Ausrichtungsaufgabe als ein Graph-Matching-Problem formuliert werden; außerdem schlagen wir eine graphaufmerksamkeitsbasierte Lösung vor, die zunächst alle Entitäten in zwei Themenentitätsgraphen abgleicht und dann die lokalen Übereinstimmungsinformationen gemeinsam modelliert, um einen Graph-Level-Matching-Vektor abzuleiten. Experimente zeigen, dass unser Modell die vorherigen State-of-the-Art-Methoden um einen großen Abstand übertrifft.