本工作由來自清華大學(xué)、墨爾本大學(xué)、香港中文大學(xué)、中國(guó)科學(xué)院大學(xué)的 Rui Zhang, Yixin Su, Bayu Distiawan Trisedya, Xiaoyan Zhao, Min Yang, Hong Cheng, Jianzhong Qi 等學(xué)者團(tuán)隊(duì)聯(lián)合完成。該團(tuán)隊(duì)專注于大模型、知識(shí)圖譜、推薦搜索、自然語言處理、大數(shù)據(jù)等方向的研究。

知識(shí)圖譜作為結(jié)構(gòu)化知識(shí)的重要載體，廣泛應(yīng)用于信息檢索、電商、決策推理等眾多領(lǐng)域。然而，由于不同機(jī)構(gòu)或方法構(gòu)建的知識(shí)圖譜存在表示方式、覆蓋范圍等方面的差異，如何有效地將不同的知識(shí)圖譜進(jìn)行融合，以獲得更加全面、豐富的知識(shí)體系，成為提高知識(shí)圖譜覆蓋度和準(zhǔn)確率的重要問題，這就是知識(shí)圖譜對(duì)齊（Knowledge Graph Alignment）任務(wù)所要解決的核心挑戰(zhàn)。

傳統(tǒng)的知識(shí)圖譜對(duì)齊方法必須依賴人工標(biāo)注來對(duì)齊一些實(shí)體（entity）和謂詞（predicate）等作為種子實(shí)體對(duì)。這樣的方法昂貴、低效、而且對(duì)齊的效果不佳。來自清華大學(xué)、墨爾本大學(xué)、香港中文大學(xué)、中國(guó)科學(xué)院大學(xué)的學(xué)者聯(lián)合提出了一種基于大模型的全自動(dòng)進(jìn)行知識(shí)圖譜對(duì)齊的方法——AutoAlign。AutoAlign徹底不需要人工來標(biāo)注對(duì)齊的種子實(shí)體或者謂詞對(duì)，而是完全通過算法對(duì)于實(shí)體語義和結(jié)構(gòu)的理解來進(jìn)行對(duì)齊，顯著提高了效率和準(zhǔn)確性。

• 論文：AutoAlign: Fully Automatic and Effective Knowledge Graph Alignment enabled by Large Language Models，36 (6) TKDE 2024
• 論文鏈接：https://arxiv.org/abs/2307.11772
• 代碼鏈接：https://github.com/ruizhang-ai/AutoAlign

模型介紹

AutoAlign 主要由兩部分組成：

• 用于將謂詞（predicate）對(duì)齊的謂詞嵌入模塊（Predicate Embedding Module）。
• 用于將實(shí)體（entity）對(duì)齊的實(shí)體嵌入學(xué)習(xí)部分，包括兩個(gè)模塊：屬性嵌入模塊 （Attribute Embedding Module）和結(jié)構(gòu)嵌入模塊（Structure Embedding Module）。

總體流程如下圖所示：

謂詞嵌入模塊：謂詞嵌入模塊旨在對(duì)齊兩個(gè)知識(shí)圖譜中代表相同含義的謂詞。例如，將“is_in”和“l(fā)ocated_in”進(jìn)行對(duì)齊。為了實(shí)現(xiàn)這一目標(biāo)，研究團(tuán)隊(duì)創(chuàng)建了一個(gè)謂詞鄰近圖（Predicate Proximity Graph），將兩個(gè)知識(shí)圖譜合并成一個(gè)圖，并將其中的實(shí)體替換為其對(duì)應(yīng)的類型（Entity Type）。這種方式基于以下假設(shè)：相同（或相似）的謂詞，其對(duì)應(yīng)的實(shí)體類型也應(yīng)相似（例如，“is_in”和“l(fā)ocated_in”的目標(biāo)實(shí)體類型大概率屬于location或city）。通過大語言模型對(duì)類型的語義理解，進(jìn)一步對(duì)齊這些類型，提高了三元組學(xué)習(xí)的準(zhǔn)確性。最終，通過圖編碼方法（如TransE）對(duì)謂詞鄰近圖的學(xué)習(xí)，使得相同（或相似）的謂詞具有相似的嵌入，從而實(shí)現(xiàn)謂詞的對(duì)齊。

具體實(shí)現(xiàn)上，研究團(tuán)隊(duì)首先構(gòu)建謂詞鄰近圖。謂詞鄰近圖是一種描述實(shí)體類型之間關(guān)系的圖。實(shí)體類型表示實(shí)體的廣泛類別，可以自動(dòng)鏈接不同的實(shí)體。即使某些謂詞的表面形式不同（例如“l(fā)gd:is_in”和“dbp:located_in”），通過學(xué)習(xí)謂詞鄰近圖，可以有效識(shí)別它們的相似性。構(gòu)建謂詞鄰近圖的步驟如下：

• 實(shí)體類型提取：研究團(tuán)隊(duì)通過獲取每個(gè)實(shí)體在知識(shí)圖譜中的rdfs:type謂詞的值來提取實(shí)體類型。通常，每個(gè)實(shí)體有多個(gè)類型。例如，德國(guó)（Germany）實(shí)體在知識(shí)圖譜中可能有多個(gè)類型，如“thing”、“place”、“l(fā)ocation”和“country”。在謂詞鄰近圖中，他們用一組實(shí)體類型替換每個(gè)三元組的頭實(shí)體和尾實(shí)體。
• 類型對(duì)齊：由于不同知識(shí)圖譜中的實(shí)體類型可能使用不同的表面形式（例如，“person”和“people”），研究團(tuán)隊(duì)需要對(duì)齊這些類型。為此，研究團(tuán)隊(duì)利用最新的大語言模型（如ChatGPT和Claude）來自動(dòng)對(duì)齊這些類型。例如，研究團(tuán)隊(duì)可以使用Claude2來識(shí)別兩個(gè)知識(shí)圖譜中相似的類型對(duì)，然后將所有相似類型對(duì)齊為統(tǒng)一的表示形式。為此，研究團(tuán)隊(duì)設(shè)計(jì)了一套自動(dòng)化提示詞（prompt），能夠根據(jù)不同的知識(shí)圖譜進(jìn)行自動(dòng)化對(duì)齊詞的獲取。

為了捕捉謂詞相似性，需要聚合多個(gè)實(shí)體類型。研究團(tuán)隊(duì)提出了兩種聚合方法：加權(quán)和基于注意力的函數(shù)。在實(shí)驗(yàn)中，他們發(fā)現(xiàn)基于注意力的函數(shù)效果更好。具體而言，他們計(jì)算每個(gè)實(shí)體類型的注意力權(quán)重，并通過加權(quán)求和的方式獲得最終的偽類型嵌入。接下來，研究團(tuán)隊(duì)通過最小化目標(biāo)函數(shù)來訓(xùn)練謂詞嵌入，使得相似的謂詞具有相似的向量表示。

屬性嵌入模塊和結(jié)構(gòu)嵌入模塊：屬性嵌入模塊和結(jié)構(gòu)嵌入模塊都用于實(shí)體（entity）對(duì)齊。它們的思想和謂詞嵌入相似，即對(duì)于相同（或相似）的實(shí)體，其對(duì)應(yīng)的三元組中的謂詞和另一個(gè)實(shí)體也應(yīng)該具有相似性。因此，在謂詞對(duì)齊（通過謂詞嵌入模塊）和屬性對(duì)齊（通過 Attribute Character Embeding 方法）的情況下，我們可以通過TransE使相似的實(shí)體學(xué)習(xí)到相似的嵌入。具體來說：

• 屬性嵌入學(xué)習(xí)：屬性嵌入模塊通過編碼屬性值的字符序列來建立頭實(shí)體和屬性值之間的關(guān)系。研究團(tuán)隊(duì)提出了三種組合函數(shù)來編碼屬性值：求和組合函數(shù)、基于LSTM的組合函數(shù)和基于N-gram的組合函數(shù)。通過這些函數(shù)，我們能夠捕捉屬性值之間的相似性，從而使得兩個(gè)知識(shí)圖譜中的實(shí)體屬性可以對(duì)齊。
• 結(jié)構(gòu)嵌入學(xué)習(xí)：結(jié)構(gòu)嵌入模塊基于TransE方法進(jìn)行了改進(jìn)，通過賦予不同鄰居不同的權(quán)重來學(xué)習(xí)實(shí)體的嵌入。已對(duì)齊的謂詞和隱含對(duì)齊的謂詞將獲得更高的權(quán)重，而未對(duì)齊的謂詞則被視為噪聲。通過這種方式，結(jié)構(gòu)嵌入模塊能夠更有效地從已對(duì)齊的三元組中學(xué)習(xí)。
• 聯(lián)合訓(xùn)練：謂詞嵌入模塊、屬性嵌入模塊和結(jié)構(gòu)嵌入模塊這三個(gè)模塊可以進(jìn)行交替訓(xùn)練，通過交替學(xué)習(xí)的方式互相影響，通過優(yōu)化嵌入使其在各個(gè)結(jié)構(gòu)的表示中達(dá)到整體最優(yōu)。訓(xùn)練完成后，研究團(tuán)隊(duì)獲得了實(shí)體（entity）、謂詞（predicate）、屬性（attribute）和類型（type）的嵌入表示。最后，我們通過對(duì)比兩個(gè)知識(shí)圖譜中的實(shí)體相似性（如cosine similarity），找到相似性高的實(shí)體對(duì)（需要高于一個(gè)閾值）來進(jìn)行實(shí)體對(duì)齊。

實(shí)驗(yàn)結(jié)果

研究團(tuán)隊(duì)在最新的基準(zhǔn)數(shù)據(jù)集DWY-NB (Rui Zhang, 2022) 上進(jìn)行了實(shí)驗(yàn)，主要結(jié)果如下表所示。

AutoAlign在知識(shí)圖譜對(duì)齊性能方面有顯著提升，特別是在缺少人工標(biāo)注種子的情況下，表現(xiàn)尤為出色。在沒有人工標(biāo)注的情況下，現(xiàn)有的模型幾乎無法進(jìn)行有效對(duì)齊。然而，AutoAlign在這種條件下依然能夠取得優(yōu)異的表現(xiàn)。在兩個(gè)數(shù)據(jù)集上，AutoAlign在沒有人工標(biāo)注種子的情況下，相比于現(xiàn)有最佳基準(zhǔn)模型（即使有人工標(biāo)注）有顯著的提升。這些結(jié)果表明，AutoAlign不僅在對(duì)齊準(zhǔn)確性上優(yōu)于現(xiàn)有方法，而且在完全自動(dòng)化的對(duì)齊任務(wù)中展現(xiàn)了強(qiáng)大的優(yōu)勢(shì)。