基于多方嵌入的逐步實體對齊方法

摘" 要： 大多數(shù)實體對齊方法對知識圖譜信息的利用不夠充分，沒有考慮實體間的互相選擇，忽略了現(xiàn)實生活中很多實體在對方知識圖譜中不存在等價實體的事實。針對以上問題，提出一種基于多方嵌入的逐步實體對齊方法。該方法對三元組信息、鄰域信息、實體名稱的語義信息和字符串信息進行多方嵌入生成相似度矩陣，再通過所提出的逐步實體對齊算法將目前彼此最為相似且相似度大于最小相似度閾值的兩個實體進行匹配，直到剩余所有實體的相似度都不大于最小相似度閾值時停止匹配，在確保等價實體準確匹配的前提下，減小不存在等價實體時發(fā)生錯誤匹配的概率。在DBP15K數(shù)據(jù)集上進行了三項實驗，結(jié)果證明了該方法和逐步實體對齊算法的有效性，以及多方嵌入中每個模塊的必要性。

關(guān)鍵詞： 知識圖譜； 實體對齊； 多方嵌入； 逐步實體對齊算法； 互相選擇； 最小相似度閾值； 知識圖譜嵌入

中圖分類號： TN911?34； TP391.1" " " " " " " " " "文獻標識碼： A" " " " " " " " " " 文章編號： 1004?373X（2024）13?0138?06

Stepwise entity alignment method based on multi?party embedding

LIU Xueli， LI Yan， LI Chunyu， LIU Yueyue

（School of Information Engineering， Gansu University of Chinese Medicine， Lanzhou 730000， China）

Abstract： Most entity alignment methods fail to fully utilize knowledge graph information， fail to consider mutual selection between entities， and ignore the fact that many entities in real life do not have equivalent entities in each other′s knowledge graphs. To address these issues， a stepwise entity alignment （StepEA） method based on multi?party embedding is proposed. This method embeds triplet information， neighborhood information， semantic information of entity names， and string information into a similarity matrix by multi?party embedding. Then， with the proposed StepEA algorithm， the two entities that are currently most similar to each other and have a similarity greater than the minimum similarity threshold are matched until the similarity of all remaining entities does not exceed the minimum similarity threshold. On the premise of ensuring accurate matching of equivalent entities， the probability of incorrect matching when there are no equivalent entities is reduced. Three experiments were conducted on the DBP15K dataset. The results show the effectiveness of this method and the StepEA algorithm， as well as the necessity of each module in multi?party embedding.

Keywords： knowledge graph; entity alignment; multi?party embedding; StepEA algorithm; mutual selection; minimum similarity threshold; knowledge graph embedding

0" 引" 言

隨著知識圖譜技術(shù)的廣泛使用，越來越多的知識圖譜不斷產(chǎn)生，迫切需要對多個知識圖譜進行融合。實體對齊作為知識圖譜融合的關(guān)鍵，旨在找到兩個不同知識圖譜中的等價實體。

近年來，主流的實體對齊方法使用基于翻譯或圖神經(jīng)網(wǎng)絡(luò)的模型來學(xué)習(xí)知識圖譜的低維向量表示（也稱為嵌入）[1]，再用嵌入之間的距離表示實體間的相似度，為每個源實體返回一個根據(jù)相似度排序的目標實體列表，選擇相似度最高的目標實體作為對齊實體。文獻[2?4]對實體對齊方法進行了全面綜述和詳細分析。

然而，這些實體對齊方法還存在一些不足，現(xiàn)從嵌入和對齊兩個角度出發(fā)分析現(xiàn)有實體對齊方法存在的缺陷。從嵌入角度看，大多數(shù)實體對齊方法對知識圖譜的結(jié)構(gòu)信息進行嵌入時，往往只選擇三元組信息和鄰域信息中的一者。只選擇三元組信息作為結(jié)構(gòu)嵌入的方法，在丟失部分三元組或者使用不同架構(gòu)表示兩個知識圖譜的情況下不夠魯棒[5]；而選擇鄰域信息作為結(jié)構(gòu)嵌入的方法，雖然可以提供全面且魯棒的信息，但會丟失細粒度細節(jié)，且由于知識圖譜的異構(gòu)性，對齊精度會受到不同鄰居的影響[6]。因此，將二者結(jié)合可以彌補彼此的缺陷，獲得更好的性能。除此之外，現(xiàn)實中的知識圖譜往往存在大量的長尾實體，缺乏結(jié)構(gòu)信息，因此需要依靠實體本身的特征即實體名稱進行嵌入。從對齊角度看，大多數(shù)方法僅僅為源實體匹配相似度最高的目標實體，而忽略了該目標實體與其他源實體是否更為相似的問題。CEA[7]雖然在一定程度上解決了這個問題，但會使得至少一個知識圖譜（實體數(shù)量較少的一個）中的所有實體在另一個知識圖譜中都有一個與之對應(yīng)的等價實體，而現(xiàn)實中基本不可能存在這種情況，這就會導(dǎo)致實際不等價的兩個實體被錯誤地配對。

為了解決以上問題，本文提出了一種基于多方嵌入的逐步實體對齊方法（Stepwise Entity Alignment Based on Multi?party Embedding， MStepEA），該方法主要包括多方嵌入與逐步實體對齊兩個部分。多方嵌入部分對三元組信息、鄰域信息以及實體名稱的語義信息和字符串相似度四個方面的信息進行嵌入來表示知識圖譜。逐步實體對齊部分將彼此最為相似的兩個實體進行匹配，實現(xiàn)了源實體和目標實體的互相選擇，且在某實體與對方知識圖譜中的所有實體相似度都很低的情況下，通過設(shè)置參數(shù)（最小相似度閾值）讓該實體不進行匹配。

本文主要貢獻總結(jié)如下：

1） 對知識圖譜的三元組信息、鄰域信息以及實體名稱的語義信息和字符串相似度進行學(xué)習(xí)，充分利用了知識圖譜多個方面的信息，可以更好地表示知識圖譜。

2） 提出了一種逐步實體對齊算法，保證了兩個知識圖譜中的實體能夠互相選擇，且容許實體在相似度過低時不進行匹配，以降低實體在對方知識圖譜中不存在等價實體而發(fā)生錯誤匹配的概率。

1" 相關(guān)工作

1.1" 知識圖譜嵌入

知識圖譜嵌入又稱知識表示學(xué)習(xí)，其核心是將知識圖譜中的實體和關(guān)系表示為低維稠密向量。文獻[8?9]對知識圖譜進行了詳細的綜述，主要通過僅使用事實進行嵌入和使用事實的同時納入其他信息進行嵌入兩大部分介紹了知識圖譜嵌入技術(shù)。TransE[10]受Word2Vec[11]的啟發(fā)，對于三元組[（h，r，t）]，將關(guān)系[r]解釋為頭實體向量[h]和尾實體向量[t]的平移向量，即[h+r≈t]。但由于其存在難以處理復(fù)雜關(guān)系（一對多、多對一和多對多的關(guān)系）的缺陷，衍生出了很多TransE的變體：TransH[12]、TransR[13]和TranD[14]等。后續(xù)又有文獻[15]提出了基于卷積神經(jīng)網(wǎng)絡(luò)的ConvE模型，文獻[16]提出了ConvKB模型。近幾年GCN（圖卷積神經(jīng)網(wǎng)絡(luò)）[17]和GAT（圖注意力網(wǎng)絡(luò)）[18]成為最具代表性的兩個基于圖神經(jīng)網(wǎng)絡(luò)的知識圖譜嵌入模型。

1.2" 主流的實體對齊模型

MTransE[19]采用TransE將不同語言的實體和關(guān)系編碼到單獨的嵌入空間，提供軸校準、平移向量（翻譯向量）和線性變換三種技術(shù)實現(xiàn)跨語言轉(zhuǎn)換，使用不同的損失函數(shù)推導(dǎo)出了MTransE的五種變體。

IPTransE[20]使用TransE和它的有效擴展PTransE作為知識表示學(xué)習(xí)方法學(xué)習(xí)實體和關(guān)系的嵌入；提供基于翻譯、線性變換以及參數(shù)共享的三種方法；選擇為每個新對齊實體分配可靠性分數(shù)來軟對齊。

JAPE[21]將結(jié)構(gòu)嵌入和屬性嵌入結(jié)合來對齊不同知識圖譜中的實體，其中結(jié)構(gòu)嵌入模塊使用TransE學(xué)習(xí)實體的向量表示，屬性嵌入模塊采用Skip?gram捕獲屬性間的相關(guān)性。

BootEA[22]采取參數(shù)共享的方法，利用對齊種子將不同知識圖譜編碼到一個統(tǒng)一的向量空間，再迭代地將預(yù)測對齊實體添加到訓(xùn)練數(shù)據(jù)中，并采用一種對齊編輯的方法來減少迭代過程中的錯誤累積。

GCN?Align[23]是一種基于圖卷積神經(jīng)網(wǎng)絡(luò)的跨語言實體對齊方法，訓(xùn)練GCN將不同語言的實體嵌入到同一向量空間，保證先驗實體盡可能靠近，最后使用預(yù)定的距離函數(shù)預(yù)測對齊實體。

CEA[7]首先根據(jù)知識圖譜的結(jié)構(gòu)信息和實體名稱的語義信息、字符串信息生成特征，再利用穩(wěn)定匹配算法特征進行集體實體對齊。

RAGA[24]提出了關(guān)系感知圖注意力網(wǎng)絡(luò)來捕捉實體和關(guān)系之間的交互，設(shè)計了一種基于延遲接受算法的全局對齊算法，它使用更細粒度的相似性矩陣而不是原始的嵌入相似性矩陣進行一對一的實體比對。

SSP[5]使用GCN將全局結(jié)構(gòu)特征顯式編碼為實體表示，再采用改進的基于翻譯的方法，利用實體的局部語義來細化實體表示，共同利用了知識圖譜的全局結(jié)構(gòu)和局部語義特征。

Dual?AMN[25]提出了雙注意力匹配網(wǎng)絡(luò)的新型知識圖譜編碼，智能地對圖內(nèi)和跨圖信息進行建模，降低了計算復(fù)雜度。

2" 方法設(shè)計

2.1" 任務(wù)描述

給定兩個知識圖譜[KG1=E1，R1，T1]和[KG2=E2，R2，T2]，其中[E]、[R]、[T]分別表示實體、關(guān)系和三元組，將先驗對齊種子表示為[S=（ei，ej）ei∈E1，ej∈E2]，[ei?ej]，其中“?”表示等價性，實體對齊任務(wù)被定義為在兩個知識圖譜中發(fā)現(xiàn)等價的實體對。

2.2" 多方嵌入

對于三元組信息，本文使用BootEA中面向?qū)R的知識圖譜嵌入模型[8]，采用基于翻譯的知識圖譜嵌入技術(shù)將三元組信息表示為低維向量。但由于僅采用三元組信息只能表示知識圖譜局部結(jié)構(gòu)信息，沒有考慮全局結(jié)構(gòu)以至于不夠魯棒，另外，對于結(jié)構(gòu)信息缺乏的長尾實體而言沒有說服力。因此，本文采用多組合策略[26]，在對三元組進行嵌入的基礎(chǔ)上，加入CEA中特征生成的方法[7]，采用GCN對知識圖譜的鄰域信息進行嵌入，選擇詞嵌入方法學(xué)習(xí)實體名稱的語義信息，并利用編輯距離計算實體名稱的字符串相似度，彌補了對長尾實體進行嵌入時結(jié)構(gòu)信息不足的缺陷，知識圖譜嵌入的具體實現(xiàn)細節(jié)可以在文獻[7]與文獻[8]中找到，這里不再贅述。

總結(jié)來說，多方嵌入分別學(xué)習(xí)了知識圖譜的三元組、鄰域、實體名稱的語義以及字符串四個方面的信息，并通過余弦相似度計算各自的相似度矩陣，最后為四個相似度矩陣設(shè)置權(quán)重，再以同等權(quán)重相加生成相似度矩陣，如圖1所示。

2.3" 逐步實體對齊

本文提出了一種逐步實體對齊的算法（Stepwise Entity Alignment， StepEA），利用多方嵌入得到的相似度矩陣預(yù)測對齊實體，主要思想如下：

1） 設(shè)置最小相似度閾值，[KG1]當中的某個實體[ei]與[KG2]中的每個實體的相似度都小于最小閾值時，表示該實體在[KG2]中沒有等價實體與之對齊，允許兩個知識圖譜中存在不對齊實體，從而更切合實際。

2） 根據(jù)相似度從高到低逐步對齊，先將兩個知識圖譜中對彼此而言都是最優(yōu)選的實體對進行匹配（即彼此相似度最高），再對還未得到匹配的實體重復(fù)該操作，直到剩下實體的相似度均不大于最小相似度閾值時停止。

示例：[threshold=0.4]，矩陣[M]是知識圖譜[KG1]和[KG2]經(jīng)過多方嵌入得到的相似度矩陣，矩陣的行表示為[E1=（e0，e1，e2，e3）]，矩陣的列表示為[E2=e4，e5，e6，e7，e8]，矩陣中第[i]行第[j]列的元素[M[i][j]]表示[ei]和[ej]之間的相似度。

[M=0.90.30.20.60.50.80.70.40.10.20.30.50.10.40.10.20.10.50.80.3]

StepEA的執(zhí)行過程分為3步，如圖2所示。

第1步：為每個實體選擇相似度最高且大于[threshold]的對方實體，彼此選擇的實體視為對齊實體，并將相似度矩陣中對齊實體與其他所有實體的相似度更新為0。

第2步：根據(jù)更新后的相似度矩陣，重復(fù)第1步的操作，其中用雙向箭頭連接的兩個實體為上一步已經(jīng)對齊的實體對。

第3步：重復(fù)第1步的操作，發(fā)現(xiàn)還未匹配的實體[e2]、[e6]、[e8]不滿足最高相似度大于[threshold]的條件，視為對方知識圖譜中沒有與之等價的實體，故不予匹配，結(jié)束程序。

逐步實體對齊算法如下所示。

算法1：逐步實體對齊算法StepEA

輸入：相似度矩陣sim_mat，最小相似度閾值threshold

輸出：對齊實體對[（ei，ej）]

Step1. matches = [-1] * sim_mat.shape[0].

//用來記錄對齊實體對

Step2. while（sim_matgt;threshold==true）：

Step2.1. for each ei∈E1：

Step2.1.1. if（sim_mat_top（ei）→ej and sim_mat（ei，ej）gt; threshold and ei←sim_mat_top（ej））：" //如果[ei]和[ej]互相選擇且相似度大于最小相似度閾值，則它們是一組對齊實體對

matches[i]=j;

sim_mat[i，：]=0;

sim_mat[：，j]=0;

else：

break.

Step3.根據(jù)matches中的記錄，輸出所有的對齊實體對（ei，ej），其中ei∈E1，ej∈E2。

3" 實" 驗

3.1" 數(shù)據(jù)集

使用實體對齊模型中最常見的DBP15K，根據(jù)DBpedia（從維基百科中抽取出的結(jié)構(gòu)化信息）構(gòu)建的ZH?EN（中文與英文）、JA?EN（日文與英文）和FR?EN（法文與英文）的三個跨語言數(shù)據(jù)集，每個子數(shù)據(jù)集都包含15 000個預(yù)先對齊的實體對，具體信息如表1所示。

3.2" 對比實驗

訓(xùn)練集與測試集的比列為3∶7，即訓(xùn)練集中有4 500個實體對，測試集有10 500個實體對。為多方嵌入過程中得到的4個相似度矩陣設(shè)置相同的權(quán)重0.25。根據(jù)StepEA算法有效性實驗中的實驗結(jié)果，考慮到數(shù)據(jù)集中不存在無法對齊的實體，故令逐步實體對齊中的最小相似度閾值[threshold=0]，以保證找到更多的對齊實體對。實驗將對齊結(jié)果的準確率（正確預(yù)測的實體對占總實體對的比重）作為評價指標，值越高說明實體對齊的效果越好。

將本文所提出的基于多方嵌入的逐步實體對齊方法（MstepEA）與近年來主流的實體對齊方法（相關(guān)內(nèi)容在主流實體對齊模型中進行了介紹）進行比較。實驗結(jié)果如表2所示，可以看出，本文提出的MStepEA方法明顯優(yōu)于其他方法，充分證明了MStepEA方法的有效性。

3.3" StepEA算法有效性實驗

在DBP15K的子數(shù)據(jù)集FR?EN上進行實驗。為驗證算法在部分實體不存在匹配時的有效性，隨機刪除每個知識圖譜中10%的實體，并確保兩個知識圖譜刪除的實體不同，以使得20%的實體在另一個知識圖譜中沒有對齊實體。

對于測試集中的10 500個實體對，F(xiàn)R知識圖譜中刪除1 050個實體，EN知識圖譜中刪除不同的1 050個實體，總共存在2 100個實體沒有等價實體。由此一個知識圖譜中共有9 450個實體，其中，有8 400個實體能在對方知識圖譜中找到等價實體，有1 050個實體在對方知識圖譜中沒有等價實體，不能得到匹配。

本文用[accuracys1]、[accuracys2]和[accuracys]作為評價指標，衡量算法對可對齊實體和無法對齊實體的把握度。

[accuracys1=num18 400] （1）

[accuracys2=num21 050] （2）

[accuracys=num1+ num29 450] （3）

式中：[num1]表示正確預(yù)測對齊實體對的數(shù)量；8 400是實際對齊實體對的數(shù)量；[num2]表示正確預(yù)測的無法對齊實體的數(shù)量；1 050是實際無法對齊實體的數(shù)量；[num1+num2]表示正確預(yù)測的所有實體的數(shù)量；9 450是所有實體的總數(shù)量。

[threshold]的值越小，過濾掉的相似度小于[threshold]的實體越少，找到的對齊實體越多，[accuracys1]的值越大，但無法對齊實體發(fā)生錯誤匹配的情況越多，[accuracys2]的值越?。幌喾?，[threshold]的值越大，不進行匹配的實體越多，無法對齊實體發(fā)生錯誤匹配的情況越少，[accuracys2]的值越大，但過大會導(dǎo)致可對齊實體得不到匹配，可對齊實體正確匹配的情況越少，[accuracys1]的值越小。

從圖3中可以看出，當threshold等于0.6左右時，[accuracys]的值最大，[accuracys1]和[accuracys2]處于一個相對較高且平衡的狀態(tài)，可以保證預(yù)測的效果最好。

3.4" 消融實驗

以hits@1和hits@10為評價指標，表示在嵌入各方面信息后用余弦相似度計算出的相似度排名前1和排名前10的實體中存在正確對齊結(jié)果的數(shù)量占總數(shù)量的多少。

為了證明多方嵌入時納入知識圖譜四個方面信息的必要性，對多方嵌入進行消融實驗，其中ME使用多方嵌入最終得出相似度矩陣后，根據(jù)相似度排序選擇相似度最高的目標實體作為對齊實體，?nei、?sem、?tri、?str分別表示ME在去除鄰域信息、語義信息、三元組信息、字符串信息后的結(jié)果。實驗結(jié)果如表3所示，可以看出，去除某個方面的信息后，在不同數(shù)據(jù)集中的效果有不同程度的下降，說明這四方面信息對實體間相似度都有著一定的積極影響，充分驗證了對四方面信息進行多方嵌入的必要性。

4" 結(jié)" 語

本文提出了一種基于多方嵌入的逐步實體對齊方法，分別學(xué)習(xí)知識圖譜的三元組信息、鄰域信息、實體名稱的語義信息和字符串信息，并以相同權(quán)重構(gòu)造相似度矩陣。對根據(jù)相似度矩陣進行逐步實體對齊的方法進行了詳細的討論，每一步都只匹配目前互相選擇的實體對并設(shè)置最小相似度閾值，彌補了現(xiàn)有實體對齊方法的缺陷。

從逐步實體對齊的核心思想以及算法可以看出，從第一步到最后一步，預(yù)測出的對齊實體的置信度是遞減的，即存在第一步預(yù)測的實體對對齊的可能性最高，每一步比下一步的對齊可能性更高的特性。因此，后續(xù)工作會以這個特性為突破點，考慮權(quán)重衰減的迭代式逐步實體對齊，對于第一步的對齊結(jié)果設(shè)置較高的權(quán)重添加到先驗對齊數(shù)據(jù)中，其余每一步都保持比下一步權(quán)重更高的準則迭代地添加到種子對齊中，進一步提高實體對齊的效果。

注：本文通訊作者為李燕。

參考文獻

[1] ZHANG R， TRISEDYA B D， LI M， et al. A benchmark and comprehensive survey on knowledge graph entity alignment via representation learning [J]. The VLDB journal， 2022， 31（5）： 1143?1168.

[2] SUN Z， ZHANG Q， HU W， et al. A benchmarking study of embedding?based entity alignment for knowledge graphs [J]. Proceedings of the VLDB endowment， 2020， 13（11）： 2326?2340.

[3] ZHAO X， ZENG W， TANG J， et al. An experimental study of state?of?the?art entity alignment approaches [J]. IEEE transactions on knowledge and data engineering， 2022， 34（6）： 2610?2625.

[4] FANOURAKIS N， EFTHYMIOU V， KOTZINOS D， et al. Know?ledge graph embedding methods for entity alignment： Experimental review [J]. Data mining and knowledge discovery， 2023， 37（5）： 2070?2137.

[5] NIE H， HAN X， SUN L， et al. Global structure and local semantics?preserved embeddings for entity alignment [C]// Proceedings of the Twenty?ninth International Conference on International Joint Conferences on Artificial Intelligence. [S.l.： s.n.]， 2021： 3658?3664.

[6] TANG X， ZHANG J， CHEN B， et al. BERT?INT： A BERT?based interaction model for knowledge graph alignment [C]// Twenty?ninth International Joint Conference on Artificial Intelligence. [S.l.： s.n.]， 2021： 3174?3180.

[7] ZENG W， ZHAO X， TANG J， et al. Collective entity alignment via adaptive features [C]// 2020 IEEE 36th International Conference on Data Engineering （ICDE）. New York： IEEE， 2020： 1870?1873.

[8] WANG Q， MAO Z， WANG B， et al. Knowledge graph embedding： A survey of approaches and applications [J]. IEEE transactions on knowledge and data engineering， 2017， 29（12）： 2724?2743.

[9] LIN Y， HAN X， XIE R， et al. Knowledge representation learning： A quantitative review [EB/OL]. [2013?09?01]. http：//arxiv.org/abs/1812. 10901.

[10] BORDES A， USUNIER N， GARCIA?DURAN A， et al. Translating embeddings for modeling multi?relational data [C]// Advances in Neural Information Processing Systems （NIPS）. [S.l.： s.n.]， 2013： 2787?2795.

[11] MIKOLOV T， SUTSKEVER I， CHEN K， et al. Distributed representations of words and phrases and their compositionality [C]// Advances in Neural Information Processing Systems. [S.l.： s.n.]， 2013： 3111?3119.

[12] WANG Z， ZHANG J， FENG J， et al. Knowledge graph embedding by translating on hyperplanes [C]// Proceedings of the AAAI Conference on Artificial Intelligence. [S.l.]： AAAI Press， 2014： 1112?1119.

[13] LIN Y， LIU Z， SUN M， et al. Learning entity and relation embeddings for knowledge graph completion [C]// Proceedings of the AAAI Conference on Artificial Intelligence. [S.l.]： AAAI Press， 2015： 2181?2187.

[14] JI G， HE S， XU L， et al. Knowledge graph embedding via dynamic mapping matrix [C]// Proceedings of the 53rd Annual Meeting of the Association for Computational Linguistics and the 7th International Joint Conference on Natural Language Processing. [S.l.]： ACL， 2015： 687?696.

[15] DETTMERS T， MINERVINI P， STENETORP P， et al. Convolutional 2D knowledge graph embeddings [C]// Proceedings of the AAAI Conference on Artificial Intelligence. [S.l.]： AAAI Press， 2018： 1811?1818.

[16] NGUYEN D Q， NGUYEN T D， NGUYEN D Q， et al. A novel embedding model for knowledge base completion based on convolutional neural network [C]// Proceedings of the 2018 Conference of the North American Chapter of the Association for Computational Linguistics： Human Language Technologies （NAACL）. [S.l.]： ACL， 2018： 327?333.

[17] KIPF T N， WELLING M. Semi?supervised classification with graph convolutional networks [EB/OL]. [2017?02?22]. http：//arxiv.org/abs/1609. 02907.

[18] VELIKOVI P， CUCURULL G， CASANOVA A， et al. Graph attention networks [C]// International Conference on Learning Representations. [S.l.： s.n.]， 2018： 1?12.

[19] CHEN M， TIAN Y， YANG M， et al. Multilingual knowledge graph embeddings for cross?lingual knowledge alignment [C]// International Joint Conferences on Artificial Intelligence. [S.l.： s.n.]， 2017： 1511?1517.

[20] ZHU H， XIE R， LIU Z， et al. Iterative entity alignment via joint knowledge embeddings [C]// Proceedings of the Twenty?sixth International Joint Conference on Artificial Intelligence. [S.l.： s.n.]， 2017： 4258?4264.

[21] SUN Z Q， HU W， LI C K， et al. Cross?lingual entity alignment via joint attribute?preserving embedding [C]// The Semantic Web： 16th International Semantic Web Conference. Heidelberg， Germany： Springer International Publishing， 2017： 628?644.

[22] SUN Z Q， HU W， ZHANG Q H， et al. Bootstrapping entity alignment with knowledge graph embedding [C]// 2018 International Joint Conferences on Artificial Intelligence. [S.l.： s.n.]， 2018： 4396?4402.

[23] WANG Z， Lü Q， LAN X， et al. Cross?lingual knowledge graph alignment via graph convolutional networks [C]// Proceedings of the 2018 Conference on Empirical Methods in Natural Language Processing. [S.l.]： ACL， 2018： 349?357.

[24] ZHU R， MA M， WANG P. RAGA： Relation?aware graph attention networks for global entity alignment [C]// Pacific?Asia Conference on Knowledge Discovery and Data Mining. Heidelberg， Germany： Springer International Publishing， 2021： 501?513.

[25] MAO X， WANG W， WU Y， et al. Boosting the speed of entity alignment 10×： Dual attention matching network with normalized hard sample mining [C]// Proceedings of the Web Conference 2021. New York： IEEE， 2021： 821?832.

[26] ZHANG Q H， SUN Z Q， HU W， et al. Multi?view knowledge graph embedding for entity alignment [EB/OL]. [2019?06?06]. https：//arxiv.org/abs/1906.02390.