基于图神经网络的实体对齐表示学习方法比较研究

来源：计算机科学与探索杂志2023年第10期北京时间：

作者：彭鐄, 曾维新, 周杰, 唐九阳, 赵翔

单位：国防科技大学 大数据与决策实验室，长沙 410073

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