概述：
本文主要解决的问题是不同KG间的实体对齐问题。之前解决这个问题主要依靠一些额外的信息来完成，比如维基百科。但在本文中，我们依靠aligned entities也就是已经对齐的实体作为信息，在KRL（知识嵌入）的基础上，将不同实体合并到同一语义空间中，并且采用迭代的方法提高对齐的效果。
具体模型：
模型主要分为三个部分：Knowledeg Embeddings-我们通过KRL方法将不同KG的实体分别生成对应的嵌入矩阵。Joint Embedding-我们依靠aligned entities 将不同KG中的知识嵌入合并到同一语义空间。Iterative Alignment：我们生成新的aligned entities后，将其合并到对齐序列中，对合并后的语义空间进行更新，从而使更多的实体得到对齐。
同时，我们在最后判断时采用soft alignment strategy（软对齐策略），这样可以使我们在迭代过程中重新考虑现有的软对齐。
下面我们具体的来说一下各个部分：
Knowledge Embedding：
TransE：
他的原理是将关系也当做一个向量，与头向量 尾向量满足一定的语义关系，在已知关系r的情况下，我们可以定义一个energy function：
可以定义为实体间的关系程度。
在经过负样本生成后，在此基础上构建损失函数，从而实现知识嵌入。
PtransE：
PtransE便是在TransE的基础上考虑到了多步路径的问题，在原先的score function后面加了一个路径的关系的正则项
这个公式还是比较好理解的，这里就不多说了，具体的可以去看论文。
Joint Embedding：
关于基于对齐实体序列的实体对齐，这里提出了三个model，分别为：
Translation-based Model：
类似的，提出下一个模型：
Linear Transformation Model：
对于上面两个模型来说，是同一类型的，在energy function的基础上，定义一个score function：
我们可以训练aligned entities 从而使得J最小化（这个地方其实我还是有点存疑的，因为在我理解，这个地方是单纯的训练M 和r ，但是这样用一个r 或M 匹配所有的对齐实体，感觉不太靠谱，可是我也没有更好的解释方法）
Parameter Sharing Model：
这个方法更加简单粗暴，即将强制两个向量相等，可以两个向量相加取平均值。
Iterative Alignment：
我们现在已经将现有的对齐实体映射到同一向量空间中，我们基于之前的Joint Embedding，可以对现有的未对齐的实体进行处理。对两个实体来说，我们需要计算他们的语义距离，无论是Translation-based Model还是Linear Transformation Model，都有对应的energy function，而对于Parameter Sharing Model来说，我们可以定义E（e1，e2）欧氏距离作为语义距离。
因此，在定义语义距离的基础上，可以找到语义距离最小的实体，他便是对应的实体。很明显，我们可以通过newly aligned entities 对现有的joint embedding进行更新，从而得到更多的对齐实体，这也就是文章中提到的迭代，而迭代的方法，文章中提出了两个：
Hard Alignment：
对于Parameter SharigModel来说，直接将新的对齐实体加入到Joint Embedding中，然后进行更新
Soft Alignment：
Hard Alignment：可能会出很多问题，Soft Alignment会对每个新对齐的实体对进行打分，将新的实体对放到M中，打分的公式为：
从这个公式可以看出，score主要基于语义距离，距离越小，分数越高。
最后我们定义一个M的score function：
这个function还是比较好理解的，两种距离的计算，乘以一个置信度R，可以说是一个比较综合的打分，目标是分数越来越高，并迭代的加入新的实体，从而保证整体的实体对齐程度。
Original: https://blog.csdn.net/qq_39778575/article/details/108950699
Author: 耀天君
Title: Iterative Entity Alignment via Knowledge Embeddings
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/595924/
转载文章受原作者版权保护。转载请注明原作者出处！