二Cross-lingual Knowledge Graph Alignment via Graph Matching Neural Network

二、Cross-lingual Knowledge Graph Alignment via Graph Matching Neural Network

摘要：先前的跨语言的知识图谱对齐研究依赖于实体嵌入的思想，，其不能够在两个知识图谱上；此文介绍一种方法，表示其上下文信息的特征实体，主体实体图（局部实体子图），从这个角度来看，知识库的对齐工作可以看做图匹配问题，进一步提出 注意力机制的解决方案

代码： https://github. com/syxu828/Crosslingula-KG-Matching.

1. 引言

多语言图谱代表人类知识架构上得到了很大的提升，这些图谱编码了大量的单语言信息，但是缺少跨语言的研究方法，我们提出的基于上下文信息的图谱方法来解决这个问题，提出了使用新型GNN来把问题转化为图匹配的问题；

1. 主体实体图

此方法源于对实体上下文信息的考虑

如图2所示

1. 图匹配模型

输入特征层

主要介绍了GCN(图卷积网络)：简单叙述其算法步骤

1. 使用单词为基础的LSTM把v实体转化为初始向量Av
2. 依据边的有向性把节点v的邻居节点分为输入输出
3. 使用聚合器来汇聚v的输入邻节点特征信息成为单个向量，把每个节点的信息向量输入到全连接网络中，使用均值池化来取得邻域信息；
4. 使用k-1th 迭代信息与新生成的k th信息，共同输入到神经网络之中，更新节点v的状态
5. 我们更新输出节点
6. 反复3-5步，形成输出的两个实体嵌入数据集e11 –e1 g1 ,e12 – eg2 1;

 

 

节点（局部）匹配层

首先计算节点直接的余弦相似度，利用相似度作为权重计算整个图的向量，然后计算向量的匹配利用多视角的余弦匹配函数

图（全局）匹配层

局部不能代表全局的信息，所以加入全局的考量，如果每个节点看成一个匹配状态的话，通过设计GCN可以编码全局的图对；我们把特征输入全连接网络，在使用池化形成匹配特征向量；

预测层

使用两层FCN，softmax来分类，

 

4 实验参数与结果

Table 1 summarizes the results of our model and existing works.

结论：

 

结合实体上下文信息的两种图谱上的的匹配问题转化为图匹配问题

提出了图神经网络的匹配模型，包含图匹配与像素匹配信息,