구조적 맥락을 활용한 엔티티 정렬 기반 모델

Harnessing Structural Context for Entity Alignment Foundation Models

엔티티 정렬(EA)은 이질적인 지식 그래프(KG) 간의 동일한 엔티티를 식별하는 것을 목표로 하며, 지식 융합 및 KG 간 추론의 핵심 구성 요소입니다. 최근 개발된 EA 기반 모델은 사전 학습된 정렬 정보를 다양한 기존에 보지 못한 KG 쌍에 직접 적용할 수 있음을 보여줍니다. 그러나 이 모델은 여전히 두 가지 측면에서 구조적 맥락을 충분히 활용하지 못합니다. 첫째, 인코딩 과정에서의 KG 간 상호 작용이 미약하며, 둘째, 최종 후보 순위 결정이 지나치게 일반적인 유사성에 의존합니다. 본 연구에서는 이러한 한계를 극복하기 위해 전이 가능한 EA를 위한 향상된 인코더-디코더 프레임워크인 ContextEA를 제안합니다. 인코더 측면에서 KG 간 상호 작용을 강화하는 인코더를 도입하여 앵커 브리지를 사용하여 두 KG를 통합하고, 관계 정보를 고려한 그래프 전파를 초기 단계에 수행합니다. 디코더 측면에서는 엔티티 수준, 이웃 수준, 관계 수준 및 앵커 정보를 활용하여 정렬 점수를 보정하는 구조적 교정 디코더를 도입했습니다. 이러한 설계는 구조적 맥락 구축과 활용을 강화하면서도 경량성을 유지합니다. OpenEA, SRPRS 및 DBP의 29개 EA 데이터 세트에서 수행한 실험 결과, ContextEA는 강력한 전이 기반 모델보다 일관되게 우수한 성능을 보였습니다. 특히 사전 학습된 ContextEA는 세 가지 벤치마크 그룹 모두에서 파인튜닝된 기반 모델보다 뛰어난 성능을 보여주며, 이는 새로운 KG로의 상당한 전이 능력을 입증합니다. 이러한 결과는 구조적 맥락을 명시적으로 활용하는 것이 EA 기반 모델을 개선하는 효과적인 방법임을 시사합니다.

Entity alignment (EA) aims to identify equivalent entities across heterogeneous knowledge graphs (KGs) and is a key component of knowledge fusion and cross-KG reasoning. The recent EA foundation model demonstrates that alignment knowledge, once pretrained, can be directly applied to diverse previously unseen KG pairs. However, it still underuses structural context in two places: cross-KG interaction is weak during encoding, and final candidate ranking still relies too heavily on coarse similarity. We address these limitations with ContextEA, an enhanced encoder-decoder framework for transferable EA. On the encoder side, we introduce a cross-KG interaction encoder that unifies the two KGs with anchor bridges and performs earlier relation-aware cross-graph propagation. On the decoder side, we introduce a structural calibration decoder that calibrates alignment scores with entity-level, neighborhood-level, relation-level, and anchor-aware structural evidence. This design strengthens both structural context construction and structural context exploitation while remaining lightweight. Experiments on 29 EA datasets in OpenEA, SRPRS, and DBP show consistent gains over strong transferable baselines. Notably, the pretrained ContextEA already surpasses the finetuned baselines on all three benchmark groups, demonstrating substantially stronger transfer to unseen KGs. These results suggest that explicitly harnessing structural context is an effective direction for improving EA foundation models.