qq_42725437的博客

以前的跨语言知识图谱（KG）对齐研究依赖于仅从单语KG结构信息中派生的实体嵌入，这可能在匹配两个KG中具有不同事实的实体时失败。在本文中，我们引入了主题实体图，即实体的局部子图，以在KG中表示实体及其上下文信息。从这个视角来看，KB对齐任务可以被形式化为一个图匹配问题；我们进一步提出了一种基于图注意力的解决方案，该解决方案首先匹配两个主题实体图中的所有实体，然后联合建模局部匹配信息以导出一个图级匹配向量。实验证明，我们的模型在性能上大幅优于以往的技术方法。

图的张量积（Kronecker Product）图的笛卡尔积（Cartesian product)

是满足三类性质的子图1：pattern：是（node induced）小型子图2：Recurring：有一个高的频率3：Significant：比期望的频率高，也就是说比随机生成的图中motif频率高。

社区是许多网络的特性，一个特定的网络可能有多个社区，社区内的节点之间连接紧密。网络节点在社区内部形成紧密的连接，而在社区之间则形成松散连接。社区检测技术对于社交媒体算法来说非常有用，可以发现具有共同兴趣的人并将他们紧密连接在一起。社区检测也可以应用于机器学习中，用于检测具有相似属性的群组，并出于各种原因提取这些群组。例如，这种技术可以用于发现社交网络或股票市场中的操纵性群体。