论文笔记整理：谭亦鸣，东南大学博士生，研究兴趣：知识图谱问答
本文提出了一种基于图卷积网络的跨语言实体对齐方法，通过设计一种属性 embedding 用于 GCN 的训练，发现GCN能同时学习到特征 embedding 和属性 embedding 的信息。实验表明该方法是目前性能最好的的 GCN 对齐模型。
来源：IJCAI 2019
链接：
https://www.ijcai.org/proceedings/2019/0929.pdf
动机
在近期的研究工作中， GCN被用来处理一些基于图的学习问题，也有研究者提出基于该模型的跨语言知识图谱实体对齐工作。但这些工作并没有有效的利用图谱的属性信息，且对整体模型带来了负面的影响，这主要是因为对于同一实体，在不同语言上，它的属性存在较大的差异。虽然也有研究者提出异构图注意力网络，提供了节点级与语义级的注意力机制。但这个方法依然没有考虑不同属性带来的影响。
基于上述分析，作者提出利用GCN的聚合能力将属性embedding加入跨语言知识图谱对齐中。
方法
图1 描述了本文提出模型的主要框架和流程，待对齐的知识图谱主要提供了两个角度的信息，其一是图谱本身的图结构信息，这个部分被直接输入到GCN中， GCN包含多层网络，其卷积运算过程如以下公式：
其中，P是一个n×n邻接矩阵，n表示节点的数量，
其二，为了提高不同语言实体信息embed到统一的向量空间中的精准性，作者设计了增强的属性embedding方法，用于减少不同语言对等实体之间的差异性。
该方法包含以下几个部分：
1. 属性选择
首先对于实体属性出现的数量做降序排列（出现频率越高的属性对于实体的描述越准确），然后将排序后的不同语言的知识图谱属性进行相交。最后，取Top-k的相交属性用于embedding。
2. 属性加权
为了区分属性的重要性程度，通过以下公式对选定属性进行加权：
其中，wβ表示属性β的权重，nβ和n’β表示不同图谱中属性的数量，α表示权重系数，用于在对齐中强化属性所占的重要性。
实验
实验数据
实验使用的数据集为DBP15K，由DBpedia中生成，实验的语言对为中英双语，包含中文->英文方向，及英文->中文方向的对齐。
实验结果
评价指标使用Hits@1，Hits@10，及Hits@50进行对比，结果如下表：
可以看到从统计显著性上取得了的提升，但是从实际匹配准确性上看，距离可视作工具用于双语知识库问答等任务还存在明显不足。
OpenKG
开放知识图谱（简称 OpenKG）旨在促进中文知识图谱数据的开放与互联，促进知识图谱和语义技术的普及和广泛应用。
点击阅读原文，进入 OpenKG 博客。