简读分享 | 龙文韬 编辑 | 李仲深
论文题目
Multi-modal Siamese Network for Entity Alignment
论文摘要
多模态知识图谱(MMKGs)的蓬勃发展提出了对多模态实体对齐技术的迫切需求,这有助于整合来自不同数据源的多个MMKGs。不幸的是,现有技术仅通过单模态特征嵌入的启发式合并来利用多模态知识。因此,隐藏在多模式知识中的模态间线索可能被忽略。为了解决这个问题,在本文中,作者提出了一种新颖的用于实体对齐的多模态孪生神经网络(MSNEA),用以对齐不同MMKGs中的实体,其中通过利用模态间效应可以全面利用多模态知识。具体来说,作者首先设计了一个多模态知识嵌入模块来提取实体的形象、关系和属性特征,从而为不同的MMKGs生成整体实体表示。在此过程中,作者采用模态间增强机制整合特征,从而指导特征学习,并自适应地分配注意力权重以捕获有价值的属性来进行对齐。之后,作者设计了一个多模态对比学习模块,用来实现模态间增强融合,避免了弱模态的过度影响。在两个公共数据集上的实验结果表明,与竞争基线相比,作者提出的MSNEA取得了最先进的性能,并且具有很大的差距。
论文链接
https://doi.org/10.1145/3534678.3539244