基于图神经网络的实体对齐表示学习方法比较研究

摘要：

实体对齐是知识融合的一个重要步骤,其目的在于识别不同知识图谱中的等价实体.为准确判断出对等的实体,现有方法首先进行表示学习,将实体映射到低维向量空间中,接着通过向量间的相似度推断实体的等价性.而近期实体对齐的相关工作也大都聚焦于表示学习方法的改进上.为了能够更好地理解这些模型的机理,挖掘有价值的设计思路,并为后续的优化改进工作提供参考,对实体对齐表示学习方法进行了研究综述.首先基于现有方法,提出了一个通用的表示学习框架,并用该框架对几个具有代表性的工作进行了归纳概括以及分析解构.接着通过实验对这些工作进行了对比分析,并对框架中各个模块的常见方法进行了比较.根据实验结果,总结了各种方法的优劣,并提出了使用建议.最后初步讨论了大规模语言模型与知识图谱对齐融合的可行性,并分析了存在的问题以及潜在的挑战.

关键词：知识融合、实体对齐、表示学习、图神经网络、语言大模型

所属期刊栏目：17

分类号：TP391(计算技术、计算机技术)

在线出版日期：2023-10-31（万方平台首次上网日期，不代表论文的发表时间）

页数：共15页

页码：2343-2357