2、GAEA：基于图增强的实体对齐方法

GAEA：基于图增强的实体对齐方法

1. 方法概述

GAEA 方法主要由两部分构成：
- 实体 - 关系编码器（ER Encoder） ：通过联合捕捉邻域结构和关系语义，为实体生成潜在表示。
- 图增强的模型训练 ：将训练过程分解为多个 epoch，在每个 epoch 中引入图增强，进行基于边界的对齐学习和对比实体表示学习。

在开始时，随机初始化实体嵌入 $H_{ent} \in R^{(|E_s| + |E_t|) \times d_{ent}}$ 和关系嵌入 $H_{rel} \in R^{|R_s \cup R_t| \times d_{rel}}$，其中 $d_{ent}$ 和 $d_{rel}$ 分别是实体和关系的嵌入维度。

2. 实体 - 关系编码器（ER Encoder）

2.1 邻域聚合器

首先，将邻居实体的信息聚合到中心实体。采用图注意力网络（GAT）让中心实体学习不同邻居的重要性，选择性地聚合周围信息，并通过堆叠多层递归捕获多范围的邻居信息：
[
h^{(l)} {e_i} = \sum {e_j \in N_{e_i}} \alpha_{ij} h^{(l - 1)} {e_j}
]
[
\alpha {ij} = \frac{\exp(\text{LeakyReLU}(a^{\top}[W_g h_{e_i} \oplus W_g h_{e_j}]))}{\sum_{e_k \in N_{e_i}} \exp(\text{