Maximizing mutual information across knowledge graphs for robust entity alignment

doi:10.1016/j.eswa.2025.129031

Maximizing mutual information across knowledge graphs for robust entity alignment

2025-07-16

0

PRE

AI

DOI：10.1016/j.eswa.2025.129031

原文链接

原文求助

摘要

En 中文

知识图谱可以通过实体间关系的信息增强机器学习模型，这在人工智能系统的开发中具有研究价值。由于单个知识图谱通常是不完整的，实体对齐是提高不同知识图谱知识完整性的重要任务。然而，现有方法主要利用单个知识图谱中存储的信息，获取实体嵌入以计算其相关性，而忽略了跨不同知识图谱的信息传递。实际上，在实体对齐任务中，知识图谱的语义通常具有互补性，这有助于性能提升。本文提出了一种新颖的方法，通过最大化知识图谱间的互信息（MI）进行鲁棒嵌入学习和实体对齐。具体而言，我们首先基于注意力机制，通过聚合实体的属性或关系邻居来学习实体嵌入。然后，我们引入一个对比互信息估计器，分别从属性和关系结构测量知识图谱间的依赖关系。通过优化该估计器，我们可以最大化知识图谱间的互信息，从而丰富实体的语义。实验结果表明，我们的方法优于现有最优方法，并展示了其在处理属性或关系邻居缺失时的潜力和鲁棒性。

Keyword:

knowledge graphs

entity alignment

mutual information

embedding learning

contrastive estimation

Maximizing mutual information across knowledge graphs for robust entity alignment

摘要

期刊

机构

引用论文