Cross-lingual Knowledge Graph Alignment viaGraph Matching Neural Network

Cross-lingual Knowledge Graph Alignment viaGraph Matching Neural Network

• 问题： 语言知识图谱对齐。
• 方法
• 实验

代码：https://github.com/syxu828/Crosslingula-KG-Matching.
knowledge graph(知识图谱)

问题： 语言知识图谱对齐。

之前的方法都是用实体嵌入（i.e node embedding）进行知识图谱匹配，现在这篇文章用的是主题实体图（topic entity graph），也就是用的sub-graph来表示实体的上下文信息，解决了知识图谱中匹配中的 different facts 的问题。

方法

1.通过定义Topic Entity Graph ,也就是考虑当前节点的领域信息，聚合在一起即可变成topic entity
2. 使用2个GCN来产生当前节点的局部信息以及当前图的全局信息
3. 节点水平的匹配

过程有点像GMNs(graph matching networks)
4. 加上面得到的每个node 的匹配信息$m_j^{att}$mjatt​之后，喂到一个$GCN_2$GCN2​中得到global representation，这里边最后用一个FC+mean(max)pooling得到最后的固定长的graph representation
5. 预测层： two_feedforward+solfmax

实验

DBP15K datasets