【ACL2022】一种基于三阶张量同构的高效实体对齐译码算法, An Effective and Efficient Entity Alignment Decoding Algorithm via Third-Order Tensor Isomorphism

• 在实践中，大多数知识图谱是由不同组织和机构独立构建的。因此，这些知识图谱通常既包含独有的信息，也有很多重合部分，尤其是对于常识知识图谱而言。整合多源知识图谱可以为下游用户提供更广阔的选择，尤其是对于那些通常缺乏语言资源的少数族群用户。如图1所示，实体对齐（EA）的目的是找到不同知识图谱之间的等价实体对，这是整合知识图谱的一个关键步骤。

• 长期以来，大多数学者都将实体对齐视为一项图表示学习任务，并专注于改进图编码器。最新的图编码方法一经提出便被引入实体对齐任务中。与在图编码器上的努力形成鲜明对比的是，很少有研究人员专注于改进解码算法。现有的解码算法简单地套用了其他领域的经典算法，完全没有考虑知识图谱的独有特点。本文提出了一种基于三阶张量同构（如图2）的实体对齐解码算法（DATTI）。与一般实体对齐算法不同，我们以三阶张量的形式描述知识图谱而非二阶张量（矩阵），并推导出两组张量同构方程：(1)邻接张量同构和(2)格拉姆（Gram）张量同构。

• 通过求解这两组方程，DATTI得以在解码过程中高效地利用知识图谱的结构信息。在两个被广泛使用的公共数据集上的实验结果表明，即使应用在最先进的实体对齐方法上，DATTI也能提供显著的性能改进（Hits@1提升3.9%，MRR提升3.2%）。此外，我们的解码算法是非常高效的。解码时间不到3秒，与训练过程的时间消耗相比，可以忽略不计。