筆記整理 | 譚亦鳴，東南大學博士生

---

來源：COLING 2020

鏈接：https://www.aclweb.org/anthology/2020.coling-main.520.pdf

本文發現，目前基于GCN的對齊方法都是分別考慮兩個KG，然后分別學習它們的embedding，并認為這種做法忽視了KG預對齊鏈接的使用。因此，作者提出了一種新的上下文對齊強化跨圖譜注意力網絡（Contextual Alignment Enhanced Cross Graph Attention Network, CAECGAT），用于跨語言實體對齊任務。該模型能夠利用來自預對齊種子的跨圖譜信息聯合學習不同圖譜的embedding。論文在三個benchmark實體鏈接數據集上做了充分的實驗，論證了該方法性能上的優勢。

方法

圖1(a) 描述了使用預對齊實體的上下文信息，能夠為對齊構建提供更加充分的證據。

例如：中文圖譜中的“哥威迅語“是的譯文可以匹配上英文圖譜中的”Gothic language“，但是事實上正確的英文實體對齊是”Gwich’ in language“，利用預對齊的上下文信息則可清晰判斷出這種情況。

圖1(b) 則描述了考慮預對齊上下文的模型與常規GCN-based模型之間的區別。

圖2是CAECGAT的方法示意圖，其中的核心是CGAT（Cross-KG Attention）層，該部分包含Aggregation和 Attention-based Cross-KG Propagation兩個主要部分，前者利用預對齊種子上下文，轉換雙語圖譜得到跨圖譜信息。后者則用于擴展這些跨圖譜信息。進一步利用Stacking multiple CGAT層，能夠擴展單跳鄰居信息為多跳鄰居。

對于每組預對齊實體組合，組合它們在其他KG中的對應實體的embedding，并使用一個門單元更新它們。其形式如公式1：

其中，e^l表示第l層的向量表示，g^l表示門單元，用于控制跨圖譜信息流，如公式2，對于沒有預對齊的實體在aggregation層則沒有變化。

通過應用這種aggregation方法，可以獲得帶有共享實體表示的跨圖譜embedding，形式上如公式3，4所示：

接著，利用收集的鄰居信息，繼續使用attention機制對entity embeding進行更新，形式如公式5和6：

形式上，上述aggregation與propagation兩層可以一起表示為：

作者描述CAECGAT模型的算法如下：

實驗

本文實驗使用的是DBP15K數據的三個子集，統計信息如下所示：

實驗結果如表3所示：

?

---

?

OpenKG

開放知識圖譜（簡稱 OpenKG）旨在促進中文知識圖譜數據的開放與互聯，促進知識圖譜和語義技術的普及和廣泛應用。

點擊閱讀原文，進入 OpenKG 網站。

總結

以上是生活随笔為你收集整理的论文浅尝 - COLING2020 | 一种用于跨语言实体对齐的上下文对齐强化跨图谱注意力网络...的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。