利用实体对齐基础模型的结构上下文

实体对齐（EA）旨在识别异构知识图（KG）中的等效实体，是知识融合和跨KG推理的关键组成部分。最近的 EA 基础模型表明，对齐知识一旦经过预训练，就可以直接应用于各种以前未见过的 KG 对。然而，它在两个地方仍然没有充分利用结构上下文：编码过程中跨 KG 交互很弱，最终候选排名仍然过于依赖粗略相似性。我们通过 ContextEA 解决了这些限制，这是一种用于可转移 EA 的增强型编码器-解码器框架。在编码器方面，我们引入了一个跨知识图谱交互编码器，它将两个知识图谱与锚桥统一起来，并执行早期的关系感知跨图传播。在解码器方面，我们引入了结构校准解码器，该解码器使用实体级、邻域级、关系级和锚感知结构证据来校准对齐分数。该设计加强了结构环境构建和结构环境利用，同时保持轻量级。在 OpenEA、SRPRS 和 DBP 中的 29 个 EA 数据集上进行的实验表明，与强大的可转移基线相比，获得了一致的增益。值得注意的是，预训练的 ContextEA 已经超过了所有三个基准组的微调基线，证明了向看不见的 KG 的迁移能力要强得多。这些结果表明，明确利用结构背景是改进 EA 基础模型的有效方向。