来源：AAAI‘21

论文链接：

https://ojs.aaai.org/index.php/AAAI/article/view/16585

本文提出了一种动态图谱(KG)对齐方法，在“动态”（即图谱可能随时间更新）的设定下，作者认为该任务的难点在于实体embedding的更新，因为KG更新后拓扑结构也会随之变化，而实体embedding与图谱结构高度相关。所提方法DINGAL-系列的核心思路是将KG表示学习使用的GCN参数矩阵视作特征转换操作，从而减少转换和聚合过程间的耦合。在与现有的14个方法在DBP15K数据集上的对比结果表明，论文方法取得不错性能，且提升了对齐速度。

作者总结其贡献如下：

1.定义了动态图谱对齐问题，并第一个展开研究

2.提出了新的算法，DINGAL系列，包括DINGAL-B(静态对齐)和GINGAL-O以及GINGAL-U面向动态对齐

3.实验对比现有14种对齐模型取得了性能超越，并且系列算法取得了更快的运行速度。

上图给出了本文算法的描述，B算法用最初KG得到embedding，O和U的主要区别在于O沿用了B算法预训练参数对图谱更新后受到影响的节点作表示学习。而U则使用了一个全新的锚链接来更新参数。

内容中包含的图片若涉及版权问题，请及时与我们联系删除