摘要

实体对齐（Entity Alignment, EA）是一项基础的数据集成任务，旨在识别不同知识图谱（Knowledge Graphs, KGs）之间的等价实体。时间知识图谱（Temporal Knowledge Graphs, TKGs）通过引入时间戳扩展了传统知识图谱，近年来受到越来越多关注。当前先进的时序感知EA研究指出，TKG中的时序信息有助于提升EA的性能。然而，现有研究尚未充分挖掘TKG中时序信息的优势，且通常依赖于预先对齐的实体对进行EA，这一过程往往耗时耗力，效率较低。本文提出DualMatch，一种能够有效融合关系与时序信息的实体对齐方法。DualMatch将TKG上的实体对齐问题转化为加权图匹配问题。具体而言，DualMatch采用一种无监督方法，无需依赖种子对齐（seed alignment）即可完成实体对齐。该方法包含两个核心步骤：（i）利用一种新颖的无标签编码器——Dual-Encoder，分别对时序信息与关系信息进行编码，生成嵌入表示；（ii）通过一种基于图匹配的新颖解码器——GM-Decoder，融合两类信息并转化为最终的实体对齐结果。得益于其对时序信息的高效捕捉能力，DualMatch能够在有监督与无监督两种场景下均实现有效的TKG实体对齐。在三个真实世界TKG数据集上的大量实验表明，与当前最先进方法相比，DualMatch在H@1指标上提升2.4%至10.7%，在MRR指标上提升1.7%至7.6%，充分验证了其优越性与有效性。