論文筆記整理：譚亦鳴，東南大學博士生，研究興趣：知識圖譜問答
本文提出了一種基於圖卷積網絡的跨語言實體對齊方法，通過設計一種屬性 embedding 用於 GCN 的訓練，發現GCN能同時學習到特徵 embedding 和屬性 embedding 的信息。實驗表明該方法是目前性能最好的的 GCN 對齊模型。
來源：IJCAI 2019
鏈接：
https://www.ijcai.org/proceedings/2019/0929.pdf
動機
在近期的研究工作中， GCN被用來處理一些基於圖的學習問題，也有研究者提出基於該模型的跨語言知識圖譜實體對齊工作。但這些工作並沒有有效的利用圖譜的屬性信息，且對整體模型帶來了負面的影響，這主要是因爲對於同一實體，在不同語言上，它的屬性存在較大的差異。雖然也有研究者提出異構圖注意力網絡，提供了節點級與語義級的注意力機制。但這個方法依然沒有考慮不同屬性帶來的影響。
基於上述分析，作者提出利用GCN的聚合能力將屬性embedding加入跨語言知識圖譜對齊中。
方法
圖1 描述了本文提出模型的主要框架和流程，待對齊的知識圖譜主要提供了兩個角度的信息，其一是圖譜本身的圖結構信息，這個部分被直接輸入到GCN中， GCN包含多層網絡，其卷積運算過程如以下公式：
其中，P是一個n×n鄰接矩陣，n表示節點的數量，
其二，爲了提高不同語言實體信息embed到統一的向量空間中的精準性，作者設計了增強的屬性embedding方法，用於減少不同語言對等實體之間的差異性。
該方法包含以下幾個部分：
1. 屬性選擇
首先對於實體屬性出現的數量做降序排列（出現頻率越高的屬性對於實體的描述越準確），然後將排序後的不同語言的知識圖譜屬性進行相交。最後，取Top-k的相交屬性用於embedding。
2. 屬性加權
爲了區分屬性的重要性程度，通過以下公式對選定屬性進行加權：
其中，wβ表示屬性β的權重，nβ和n’β表示不同圖譜中屬性的數量，α表示權重係數，用於在對齊中強化屬性所佔的重要性。
實驗
實驗數據
實驗使用的數據集爲DBP15K，由DBpedia中生成，實驗的語言對爲中英雙語，包含中文->英文方向，及英文->中文方向的對齊。
實驗結果
評價指標使用Hits@1，Hits@10，及Hits@50進行對比，結果如下表：
可以看到從統計顯著性上取得了的提升，但是從實際匹配準確性上看，距離可視作工具用於雙語知識庫問答等任務還存在明顯不足。
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 博客。