摘要

本文提出了一种基于属性的知识图谱（KG）对齐与扩展方法（KAE），旨在解决语义异质性问题。传统方法主要依赖实体类型（etype）标签匹配，这在实际应用中表现不佳或不适用于某些情况。本文设计了一个基于机器学习的框架，包括一种新颖的基于属性的对齐方法，该方法允许根据定义实体类型的属性来对齐实体类型。实验结果显示，该方法在定量和定性上都有效，并且优于现有技术。

原理

KAE方法的核心在于利用属性来定义实体类型，这些属性独立于特定的标签和知识图谱的层次结构。通过引入形式概念分析（FCA）来组织知识图谱及其内部映射，提出了一系列基于属性的相似度度量，包括水平相似度（SimH）、垂直相似度（SimV）和信息相似度（SimI），这些度量从不同角度描述了属性在定义给定实体类型中的作用。这些度量被应用于知识图谱扩展框架的两个关键模块：实体类型对齐和知识图谱扩展模块。

流程

KAE框架包括六个模块：知识图谱解析器、知识图谱形式化模块、属性匹配器、相似度计算模块、实体类型匹配器和知识图谱扩展模块。首先，解析输入的知识图谱，将其转换为结构化的实体类型、实体和属性集合。然后，通过形式化模块将这些信息转换为FCA上下文。属性匹配器通过自然语言处理（NLP）技术对属性进行匹配。相似度计算模块利用上述属性相似度度量计算实体类型之间的相似度。实体类型匹配器根据这些相似度值进行实体类型对齐。最后，知识图谱扩展模块根据对齐结果将候选知识图谱中的实体类型和实体集成到参考知识图谱中。

应用

KAE方法适用于需要整合来自异构资源的知识图谱的场景，特别是在参考知识图谱需要通过一个或多个候选知识图谱进行扩展时。该方法的应用前景广泛，包括但不限于语义网、数据集成、信息检索和知识管理等领域。通过提高知识图谱的覆盖率和细节层次，KAE方法有助于提升这些领域的性能和用户体验。