基于实体-关系协同的完整知识图谱对齐模型EREM：突破实体对齐局限的EM优化框架

针对现有知识图谱对齐(KGA)模型仅关注实体对齐(EA)而忽视关系对齐(RA)导致知识融合不完整的问题，研究人员提出EREM模型。该研究将KGA分解为EA和RA两个协同子任务，通过期望最大化(EM)框架实现迭代优化，实验证明其在DBP15K等数据集上EA和RA任务性能均超越现有方法，为多源知识图谱的深度融合提供了新范式。

　　

知识图谱(KG)作为现实世界的结构化知识表示，在推荐系统、医疗记录等领域发挥着重要作用。然而单一知识图谱往往存在覆盖不全、深度不足的缺陷，需要通过知识图谱对齐(KGA)实现多源知识的融合。当前主流方法聚焦于实体对齐(EA)，却忽视了关系对齐(RA)这一同等重要的任务，导致知识整合存在"半盲区"——就像只拼接了拼图碎片却忽略了连接纹路。这种局限性使得跨图谱的语义关联被割裂，严重制约了知识图谱的应用价值。

针对这一瓶颈，研究人员创新性地提出EREM（Entity-Relation Expectation Maximization）模型。该研究首次将RA确立为独立任务，构建了EA与RA协同优化的EM框架：在E步利用关系锚点优化实体匹配，在M步借助实体锚点改进关系对齐，两者通过最优传输(OT)理论实现噪声抑制下的迭代增强。实验表明，EREM在DBP15K等真实数据集上，不仅使EA精度最高提升12.3%，更开创性地实现了RA任务F1值81.7%的突破。这项发表于《Expert Systems with Applications》的研究，为构建完整知识图谱对齐体系提供了方法论基础。

关键技术方法包括：1) 混合嵌入模块融合实体文本特征与图结构信息；2) 基于Sinkhorn算法的OT匹配解决噪声传播问题；3) EM框架下的双任务协同优化机制；4) 基于DBP15K和WK3L-15K数据集的跨语言评估体系。

研究结果方面：
《Problem Definition》部分明确定义了KG四元组结构和EA/RA的数学形式化表示，提出将异构分布下的对齐问题转化为嵌入空间映射任务。
《Methodology》揭示EREM三大创新：混合嵌入模块支持现有EA模型即插即用；EA模块通过关系上下文增强实体表示；RA模块利用实体锚点捕捉关系语义，二者通过OT距离实现联合优化。
《Experiments》显示EREM在ZH-EN数据集上EA Hits@1达0.742，较基线最佳提升9.8%；RA任务中通过检测关系悬空(dangling)案例使F1值提升21.4%。
《Limitations》指出模型对GPU资源需求较高，在百万级数据集可能面临扩展性挑战。

结论与讨论强调，EREM首次实现了EA与RA的闭环优化：EA为RA提供实体上下文约束，RA反哺EA通过关系路径增强结构一致性。这种协同机制不仅将现有EA模型平均性能提升7.2%，更填补了关系对齐评估的学术空白。研究启示在于，知识图谱对齐应超越单一实体匹配，通过挖掘实体-关系协同效应，最终实现"1+1>2"的知识融合效果。正如作者Fang Xiaohan和Li Chaozhuo在《Credit Author Statement》所述，这项工作为构建可解释、鲁棒的知识图谱集成系统提供了新的理论基础和技术路径。