所属栏目：新闻中心发布时间：2026-01-16浏览量:437
广东工业大学冯广团队在《计算机应用研究》发表论文《基于生成对抗网络与渐进式融合的多模态实体对齐》，该研究针对跨语言与跨图谱实体对齐中的悬挂实体问题、融合特征信息失真及模态间不对齐问题，提出双生成器参数共享对抗网络实体对齐模型DGSAN-EA，通过多组实验验证，该模型在hit@k和MMR得分上均优于现有模型，有效提升了多模态实体对齐的准确性与全面性。
在教育、医疗等领域，知识图谱融合是整合多源资源的关键技术，而实体对齐作为核心环节，需识别不同知识图谱中的等价实体。传统方法多假设源实体在目标图谱中存在对应实体，难以处理跨语言、跨图谱场景下的悬挂实体问题，且易出现模态融合信息失真等问题。
冯广团队提出的DGSAN-EA模型创新性地采用参数部分共享和择优策略训练双生成器，选择最优生成器生成跨知识图谱新实体，有效补充数据集，解决悬挂实体难题。同时，模型引入渐进式融合策略，通过初步融合与迭代融合深度挖掘多模态信息，并结合分布一致性损失函数，弥合融合前后数据分布差异，避免模态特征失真与不对齐。
该模型在DBP15K、FB15K-DB15K等多个公开数据集上完成验证，跨语言数据集实验中，与基线模型GEEA相比，hits@1指标最高提升2.4个百分点;跨知识图谱数据集上，各项评估指标均居前列。消融实验证实，双生成器框架、分布一致性损失和渐进式融合策略均对模型性能有显著贡献。案例分析显示，模型对Isaac Newton相关实体的对齐相似度达99.16%，远超对比模型。
该研究为多模态实体对齐提供了新的有效方案，尤其在跨语言、跨图谱场景中具有重要应用价值，未来团队将进一步优化实体特征嵌入方法，提升跨知识图谱对齐精度。