Beyond Entity Alignment: Towards Complete Knowledge Graph Alignment via Entity-Relation Synergy

知识图谱对齐（KGA）旨在整合来自多个来源的知识，以解决单个知识图谱（KGs）在覆盖范围和深度方面的局限性。然而，目前的KGA模型在实现“完全”的知识图谱对齐方面存在不足。现有模型主要强调跨图谱实体的链接，但忽视了跨KGs的关系对齐，因此只提供了KGA的部分解决方案。关系中嵌入的语义相关性很大程度上被忽视，这可能限制了对跨KG信号的全面理解。在本文中，我们提出将关系对齐概念化为一个独立的任务，并通过将其分解为两个不同但高度相关的子任务来进行KGA：实体对齐和关系对齐。为了捕捉这些目标之间相互增强的相关性，我们提出了一种新颖的基于期望最大化的模型EREM，它迭代地优化了两个子任务。实验结果表明，EREM在实体对齐和关系对齐任务中始终优于现有的最先进模型。

解决问题：本文旨在解决知识图谱对齐中的关系对齐问题，提出将关系对齐作为一个独立的任务，并将其分解为两个子任务：实体对齐和关系对齐。

关键思路：提出了一种新的期望最大化模型（EREM），通过迭代优化实体对齐和关系对齐两个子任务，以捕捉它们之间的相互关系。

其他亮点：实验结果表明，EREM模型在实体对齐和关系对齐两个任务中均优于现有的基准模型。本文提出的关系对齐作为独立任务的思路，为知识图谱对齐领域提供了新的思路和方法。

相关研究：最近的相关研究包括TransE、IPTransE、JAPE等。