自適應特征融合的迭代實體對齊方法

摘要： 針對知識圖譜實體對齊任務中缺乏訓練數據以及長尾實體對齊準確率較低的問題， 提出一種基于自適應特征融

合策略的迭代實體對齊方法， 并設計一種迭代策略自動擴充訓練數據的規模. 該方法使用知識圖譜的結構信息， 并利用關系、 屬性和實體名稱信息作為語義信息輔助對齊， 從而提升對

齊效果. 在數據集上的實驗結果表明， 該模型在知識圖譜實體對齊任務中效果良好.

關鍵詞： 知識圖譜; 實體對齊; 迭代策略; 自適應特征融合

中圖分類號： TP391" 文獻標志碼： A" 文章編號： 1671-5489（2024）03-0629-07

Iterative Entity Alignment Method for Adaptive Feature Fusion

LI Tingting， SHAO Fei， WEN Tianxiao， DONG Sa

（Key Laboratory of Symbolic Computation and Knowledge Engineering of Ministry of Education， College of Computer Science and Technology， Jilin Unive

rsity， Changchun 130012， China）

Abstract： Aiming at the problems of insufficient training data and low accuracy of long-tail entity alignment" in the task of knowledge graph entity alignment，

we" proposed an iterative entity alignment method based on an adaptive feature fusion strategy and designed an iterative strategy to automatically expand the scale of the training data.

This method utilized the structural information of the knowledge graph and utilized" relationships， attributes， and entity name information as" semantic information to assist" alignment

and" improve alignment effectiveness. The experimental results on the dataset show that the proposed model" performs well in the task of knowledge graph entity alignment.

Keywords： knowledge graph; entity alignment; iterative strategy; adaptive feature fusion

收稿日期： 2023-07-12.

第一作者簡介： 李婷婷（1986—）， 女， 漢族， 碩士， 副研究員， 從事人工智能的研究， E-mail： ttlee@jlu.edu.cn.

通信作者簡介： 董" 颯（1985—）， 女， 滿族， 博士， 高級工程師， 從事數據挖掘和高性能計算的研究， E-mail： dongsa@jlu.edu.com.

基金項目： 吉林省科技發展計劃項目（批準號： 20230201083GX）.

1" 引言與預備知識

知識圖譜（knowledge graph， KG）的目的是保證搜索引擎的搜索結果足夠準確全面， 進而提高搜索引擎的檢索能力［1］. 知識圖譜與其前身語義網絡［2］相比， 知識

圖譜更側重于描述實體之間的關聯. 知識圖譜可視為一個有向圖， 圖中的節點表示實體， 邊表示實體間的關系， 知識圖譜中的每條知識可表示為一個“主-謂-賓”形式的三元組， 根

據謂語的不同形式又可分為關系三元組和屬性三元組兩種. 知識圖譜目前不僅作為搜索引擎的數據庫使用， 而且已被廣泛應用于知識問答、 推理決策、 推薦系統、 社交網絡等其他

領域. 不同領域一般都會根據自身的需求有針對性地構建知識圖譜， 由于缺乏統一的構建標準， 因此不同知識圖譜之間存在異構和冗余問題. 通常兩個知識圖譜間的信息存在互補的情

況， 所以為充分利用知識圖譜蘊含的信息， 對不同的知識圖譜進行融合生成一個規模更大的知識圖譜非常必要， 而知識圖譜融合技術中的關鍵是實體對齊.

知識圖譜實體對齊任務的目標是匹配兩個不同知識圖譜中指代同一客觀概念的實體.目前， 知識圖譜實體對齊任務的

主流方法是基于圖表示學習的實體對齊方法， 其在性能和效率上均遠優于傳統實體對齊方法. 基于圖表示學習的實體對齊方法核心思想是將知識圖譜嵌入到低維向量空間中， 通過計算

實體向量之間的距離判斷實體是否對齊. 這種方法的關鍵是如何有效地嵌入知識圖譜， 目前主要有兩類模型用于知識圖譜嵌入. 一類是基于TransE系列

模型的嵌入方法， 代表性的工作有CTEA［3］，JETEA［4］，ESEA［5］等， 該類方法的核心思想是將三元組中的關系視為頭實體到尾實體的平移向量， 即對于一個

三元組（h，r，t）， 應保證h+r≈t， 其中h表示頭實體向量， t表示尾實體向量， r表示頭實體與尾實體之間的關系向量. 另一類是基于圖神經網絡系

列模型的嵌入方法， 代表性的工作有RNM［6］，RAC［7］，IPEA［8］等， 這類方法通過聚合鄰居實體信息到中心實體， 從而獲得更具表達性的中心實體的嵌入表示.

目前主流的知識圖譜實體對齊方法在對長尾實體對齊上的準確率較低， 這是因為目前的實體對齊方法主要依賴知識圖譜的結構信息進行對齊， 即使用到其他信息時， 通常也都以固定的

權重去融合多種信息， 并且結構信息仍占較大權重， 但長尾實體的結構信息十分匱乏. 此外， 實體對齊任務需要大量預先對齊的實體對充當標記數據， 但這些標記數據的獲取并非易事

， 人工標注的成本極高. 因此， 本文提出一種基于自適應特征融合策略的迭代實體對齊模型——AFFIEA. 該模型在融合不同方面信息時， 采用一種自適應特征融合策略， 根據實體

結構信息的豐富程度動態為不同方面信息分配融合權重， 由于長尾實體的結構信息比較匱乏， 此時將增大其他信息的權重， 該策略可有效提高長尾實體對齊的準確率; 并設計一種迭代策

略自動獲取標記數據， 很好地解決了標記數據不足的問題.

知識圖譜是一種有向圖， 其可以被形式化定義為KG=（E，R，A，T）， 其中E表示實體集合， R表示關系集合， A表示屬性集合， T表示三元組集合.知識圖譜實體對齊任務可以描述為： 給定

兩個待對齊的知識圖譜KG1=（E1，R1，A1，T1）和KG2=（E2，R2，A2，T2）， KG1稱為源知識圖譜， KG2稱為目標知識圖譜， S={（e1，e2）e1∈KG

1， e2∈KG2， e1≡e2}是事先給定的預對齊實體對的集合， 也稱為種子集. 知識圖譜實體對齊的目標就是根據種子集S， 得到分別出現在源知識圖譜KG1和目標知識圖譜KG2中

但表示現實世界中同一概念的實體對的集合， 即最終對齊結果集合Align={（e1，e2）e1∈E1， e2∈E2， e1≡e2}. 其中≡表示兩個實體間的等價關系， SAlign.

2" 自適應特征融合的迭代實體對齊模型

2.1" 整體框架

本文提出的AFFIEA模型整體架構如圖1所示. AFFIEA模型使用圖注意力網絡（graph attention network， GAT）對結構信息進行建模， 通過計算結構嵌入的余弦相似度得到結構相似性

矩陣. 對于關系和屬性， 本文將它們簡單地視為詞袋特征， 并通過只包含一個輸入層和一個輸出層的前饋神經網絡獲得關系嵌入和屬性嵌入. 對于實體名稱信息， 本文通過平均化實體

名字符串的預訓練Glove向量得到實體名稱特征， 同樣也通過上述的前饋神經網絡獲得實體名稱嵌入. 為更好表現實體的語義信息， 本文先將關系嵌入、 屬性嵌入和實體名稱嵌入融

合生成一個統一的語義嵌入， 根據語義嵌入生成實體的語義相似性矩陣. 然后使用自適應特征融合策略對結構相似性矩陣和語義相似性矩陣進行融合， 生成實體相似性矩陣， 根據實體

相似性矩陣得到實體對齊結果. 最后， 利用設計好的迭代策略從對齊結果中篩選出盡可能正確的對齊實體對加入種子集， 使用更新后的種子集開啟下一輪迭代， 重復該過程， 直到新產

生的對齊實體對數量低于給定值S時結束迭代.

2.2" 結構嵌入

圖注意力網絡GAT是一種處理結構化數據的典型神經網絡［9］. 因此， 本文使用GAT建模KG1和KG2的結構信息. 對于實體ei的隱藏狀態hi， 通過聚合其帶有自環的一

跳鄰居Ni獲得， 計算公式為

hi=ReLU∑j∈Niαijhj，（1）

其中： hj∈

瘙 綆 d（d是隱藏層大小）為實體ej的隱藏狀態； αij為注意力系數， 表示實體ej對實體ei的重要性， 其通過自注意力機制計算得到：

αij=exp{LeakyReLU（pT（WhiW

hj））}∑m∈Niexp{LeakyReLU（pT（WhiWhm））}，（2）

式中W∈

瘙 綆 d×d為權重矩陣， p∈

瘙 綆 2d為可學習的參數， 表示拼接操作. 為減少計算量增加模型的可擴展性， 本文將W限制為對角矩陣. 為穩定自注意力的學習過程， 本文并行執行K（K=2）個獨立的式（1）過程， 并將這些特征拼接以獲得實體ei的結構嵌入表示hgi， 計算公式為

hgi=Kk=1ReLU∑j∈Niαkijhj，（3）

其中αkij為由第k個注意力機制計算得到的歸一化注意力系數. 在具體實驗中， 本文使用一個兩層的GAT模型聚合多跳內的鄰居信息， 并使用最后一個GAT層的輸出作為鄰居結構的嵌入表示.

2.3" 關系、 屬性和實體名稱嵌入

本文使用詞袋模型顯示地對關系和屬性進行建模. 設計兩個N-hot向量vr和va表示關系和屬性， N-hot向量可反映一個

實體連接了哪些關系和屬性以及它們的數量. 為防止N-hot向量的維度過高， 本文在構建詞典時

只保留出現頻率排在前K的關系和屬性， 故va和vr均為K維向量.

因為GAT模型在建模關系和屬性時， 會自然地引入鄰居的相關信息， 產生噪聲. 所以本文使用僅包含一個輸入層和一個輸出層的簡單前饋神經網絡獲取關系和屬性的嵌入， 計算公式為

hri=wrvri+br，（4）

hai=wavai+ba，（5）

其中hri和hai分別表示實體ei的關系嵌入和屬性嵌入， vri和v

ai分別表示實體ei的關系和屬性的詞袋特征向量， wr，wa，br，ba為可學習的參數.

對于實體名稱， 本文使用預訓練的詞向量模型Glove［10］獲得實體名稱的初始特征向量vn. 同樣通過前饋神經網絡獲得實體名稱嵌入， 計算公式為

hni=wnvni+bn.（6）

2.4" 自適應特征融合

目前主流的實體對齊方法大多數選擇在嵌入表示層面去融合多種信息， 即為實體生成一個統一的嵌入表示. 該方法的不足之處是可能無法保持實體的某些原始信息， 兩個實體可能在某

一特定嵌入下十分接近， 但在統一嵌入下相距很遠. 所以， 受文獻［11］的啟發， 本文選擇在相似性矩陣層面對各種信息進行融合. 根據前面得到的結構嵌入， 通過計算余弦相似度

的方式得到對齊實體間的結構相似性矩陣Mg， 將關系嵌入、 屬性嵌入和實體名稱嵌入以一種簡單的加權

拼接方式聚合在一起生成語義嵌入， 語義嵌入的計算公式為

hsi=m∈Mewm∑j∈Mewjhmi，（7）

其中： M=（R，A，N）； wm表示m信息的可訓練權重， 在加權拼接前對輸入的嵌入進行歸一化. 同樣通過計算語義嵌入間的余弦相似度得到實體間的語義相似性矩陣M

s. 然后將Mg和Ms融合生成最終的實體相似性矩陣M.

知識圖譜中存在大量的長尾實體， 長尾實體通常是指在數據集中出現頻率較低的實體， 由于這些實體的數據量較小， 很可能在訓練實體對齊模型時未能充分捕捉到它們的特征信息， 導

致對其進行準確對齊較困難. 此外， 長尾實體常缺乏充分的標注信息， 或者標注信息質量較低， 從而導致在實體對齊過程中對這些實體的特征和語義信息理解不準確， 進而影響對齊準

確率. 對于長尾實體， 由于其信息稀疏， 很可能無法獲得足夠的上下文信息以學習其特征表示， 從而導致在實體對齊任務中難以準確地捕捉到其語義信息. 長尾實體的結構信息十分匱

乏， 而結構信息對于對齊實體最重要， 在融合不同信息時結構信息所占權重較大， 且權重固定不變， 從而導致長尾實體的對齊準確率很低. 針對上述問題， 可考慮采用數據增強、 更

智能的特征表示學習方法、 結合上下文信息的實體對齊模型等方法提高長尾實體對齊的準確率. 所以在生成實體相似性矩陣M時， 本文使用一種可根據實體結構信

息的豐富程度動態為結構信息和語義信息分配權重的策略. Zeng等［12］研究表明， 實體的度數越

高， 實體與種子實體的關聯程度越大， 此時結構信息越有效. 基于此結論， 本文設計一種權重計算方法， 計算公式為

weightg=L/（1+M×e-N（Degree+Neighbour）），（8）

weights=1-weightg，（9）

其中： L，M，N為超參數； Degree為實體的度數； Neighbour為實體與種子實體的關聯度， 可表示為

Neighbour=A1×W1+lg（A2×W2），（10）

A1和A2分別為距離種子實體一跳和兩跳的實體數， W1和W2為超參數.

2.5" 迭代策略

為克服訓練數據不足的問題， 本文設計一種迭代學習策略自動地從對齊結果中挑選可靠實體對加入種子集. 由于迭代過程不可避免地會引入錯誤的對齊實體對， 這些錯誤的實體對在之

后的迭代中又會導致產生更多的錯誤實體對， 出現錯誤累積情況. 所以迭代策略的關鍵是如何盡可能地篩選出正確的對齊實體對. 因此， 本文設計了兩點策略. 1） 設置距離閾值θ：

即使一對實體滿足互為最近鄰的條件， 他們之間的相似度仍可能很低， 所以在此基礎上設置一個距離閾值θ， 只有該對實體之間的距離在低于閾值θ時， 才將其視為可靠實體對. 2）

試用期策略： 每經過m個epoch進行一輪建議， 將滿足前兩個條件的實體對放入候選集合， 如果該實體對在后續的n輪建議中仍滿足前兩個條件（即試用期）， 才將其加入種子集.

每經過m×n個epoch更新一次候選集合. 在數據集上驗證這兩點策略的有效性， 迭代方法的終止條件， 即模型的收斂條件是： 當迭代過程中新生成的對齊實體數低于S值時， 終止迭代過程.

3" 實驗結果與分析

3.1" 數據集

本文在數據集DBP15K上進行實驗. 數據集DBP15K是一個被廣泛使用的跨語言知識圖譜實體對齊的基準數據集， 它包含來自DBpeida［13］的4個特定語言的知識圖譜， 相應的存在

3個版本的跨語言知識圖譜實體對齊數據集， 分別是中-英、 法-英和日-英版本. 每個版本包含1.5萬個流行實體間的連接， 通常每種語言涉及到的實體數量遠超1.5萬， 每個數據集

中包含大量的三元組， 并且屬性三元組在數據集中的占比很高. 本文使用30%的實體對作為訓練集（種子集）， 其余實體對作為測試集. 數據集DBP15K的信息列于表1.

3.2" 評價指標

采用Hits@k和MRR作為模型的評價指標， 其中： Hits@k表示正確的對齊實體在候選實體中排在前k位的比例， Hits@k值越大表示模型效果越好， 本文實驗中k=1，10; M

RR表示對齊結果中所有正確對齊實體排名的倒數的平均值， MRR值越大表示模型的效果越好.

3.3" 參數設置

設用于建模結構信息的GAT模型的層數為2層， GAT每個隱藏層的維度為300; 關系、 屬性和實體名稱的嵌入向量的維度均為100; 自適應特征融合的超參數M=1.5， N=1， L的取值由

訓練集的規模確定， 超參數W1=0.8， W2=0.1; 模型的迭代輪數為1 000， 批大小為512， 后500輪訓練中將迭代過程試用期策略中的m和n值設為5和10， 迭代過程中的實體間距

離閾值θ=0.4， 結束迭代過程的條件值S=30. 本文使用AdamW［14］優化模型， 學習率設為0.000 5.

3.4" 實驗結果

選擇BootEA［15］，MRAEA［16］，CEAFF［17］，RNM［6］作為本文模型AFFIEA的對比模型.

BootEA模型在實體對齊任務中引入了BootStrapping的思想， 通過迭代的方式擴充種子集， 并且BootEA模型允許對新生成的對齊實體對進行編輯或刪除， 從而緩解迭代過程中可能出現的錯誤累積問題.

MRAEA模型通過為知識圖中的關系創建一個逆關系， 從而使知識圖中的關系數量加倍， 將節點的關系信息和其鄰居信息聚合在一起作為節點特征.

CEAFF模型的核心是利用了強化學習的思想， 在強化學習的框架下， 設計了一致性和排他性約束表征相互依賴并限制集體對齊.

RNM模型利用鄰域匹配增強實體對齊， 除在匹配鄰域時比較鄰居節點外， 模型還從連接關系中挖掘有用的信息， 此外， RNM模型的迭代過程以半監督的方式利用實體對齊與關系對齊

之間的積極交互.

表2列出了AFFIEA模型與對比模型在MRR，Hits@1和Hits@10三個指標上的性能. 為模型對比的公平性， BotEA，MRAEA，和RNM三個模型均使用迭代策略， CEAFF模型中使用一種自適應特征融

合策略. 由表2可見， 本文模型AFFIEA與其他模型相比實驗結果最好， 表明了AFFIEA模型的有效性. 在與CEAFF模型的對比中， AFFIEA模型在法-英數據集上的性能略高于CEAFF， 在

其余兩個數據集上的性能AFFIEA模型顯著優于CEAFF模型， 這得益于AFFIEA模型采用的迭代策略， 說明了迭代策略對實體對齊任務的有效性. 在與同為迭代模型的比較中， AFFIEA模型性能

也最好， 說明本文設計的迭代策略相比于其他迭代策略具有優越性， 同時也表明本文的自適應特征融合策略具有重要作用. AFFIEA模型的性能相比于BootEA模型提升29個百分點， 相比于MRAEA

模型提升16個百分點， 性能提升明顯， 這是因為BootEA模型中僅利用了結構信息， 而MRAEA模型也只是利用了關系的類型信息， 但AFFIEA模型除結構信息外還利用了關系、 屬性和實體名稱信

息， 說明額外的輔助信息的確可以增強實體的嵌入表示.

3.5" 消融實驗

本文在數據集DBP15K的法-英版本數據集上進行AFFIEA模型的消融實驗， 結果列于表3. 由表3可見， 當去掉迭代模塊時， AFFIEA模型的Hits@1指標下降了9.1個百分點， 表明了本文迭

代策略的有效性. 自適應特征融合策略也給AFFIEA模型帶來了4.4個百分點的性能提升. 對于不同輔助信息， 當去掉結構信息時， 模型性能下降最多， 下降了42.3個百分點， 說明結構信息對實體

對齊任務最重要. 關系信息和屬性信息分別給AFFIEA模型帶來了3.1個百分點和4.4個百分點的性能提升， 實體名稱信息為AFFIEA模型提供了13.8個百分點的性能提升， 說明除結構信息外， 不同信息對實

體對齊任務的貢獻程度有差距， 實體名稱信息要更重要.

3.6" 自適應特征融合對長尾實體對齊的影響

在消融實驗中已驗證了自適應特征融合的有效性， 下面進一步研究自適應特征融合對長尾實體對齊的影響. 在數據集DBP15K法-英上進行實驗， 對比固定特征

融合和自適應特征融合兩種策略的性能. 根據實體度數由低到高的順序劃分出第1組實體、 第2組實體、 第3組實體. 圖2為不同特征融合策略的Hits@1對比結果. 由圖2可見，

在各組實驗中， 自適應特征融合的性能均優于固定權重融合， 在第1～3組實體中， 二者之間的性能差距分別為0.047，0.035，0.03

1， 在第1組實體中二者之間的性能差距最大， 說明實體結構信息越匱乏， 自適應特征融合策略的性能越好， 從而驗證了自適應特征融合策略可提高長尾實體對齊的準確率.

綜上所述， 針對知識圖譜實體對齊任務中缺乏訓練數據以及長尾實體對齊準確率較低的問題， 本文提出了一個基于自適應特征融合策略的迭代實體對齊模型AFFIEA. 該模型除

利用實體的結構信息外， 還利用實體的關系、 屬性和實體名稱作為輔助信息增強實體的嵌入表示. AFFIEA模型利用迭代的方式自動擴充種子集的規模， 通過設計互為最近鄰、 距離閾

值θ和試用期3個策略保證迭代過程中盡可能地篩選出正確的對齊實體對， 迭代策略克服了實體對齊任務缺少訓練數據的問題. 為提高長尾實體對齊的準確率， 使用了一

種可根據實體結構信息的豐富程度動態為結構信息和語義信息分配聚合權重的自適應特征融合方法. 將AFFIEA模型在數據集DBP15K上進行實驗，

與其他基線模型相比實驗結果最好， AFFIEA模型的消融實驗結果驗證了模型各模塊的有效性. 此外， 本文還研究了自適應特征融合對長尾實體對齊的影響， 實驗結果證實

了本文策略的有效性.

參考文獻

［1］" LIU Q， LI Y， DUAN H， et al. Knowledge Graph Construction Techniques ［J］. Jou

rnal of Computer Research and Development， 2016， 53（3）： 582-600.

［2］" BERNERS-LEE T， HANDLER J， LASSILA O. The Semantic Web ［J］. Scientific American， 2003， 284（5）： 34-43.

［3］" YAN Z H， PENG R， WANG Y Q， et al. CTEA： Context and Topic Enhanced Entity Alig

nment for Knowledge Graphs ［J］. Neurocomputing， 2020， 410（3）： 419-431.

［4］" SONG X， ZHANG H， BAI L. Entity Alignment between Knowledge Graphs Using Entit

y Type Matching ［C］//Knowledge Science， Engineering and Management. Berlin： Springer， 2021： 578-589.

［5］" JIANG T T， BU C Y， ZHU Y， et al. Combining Embedding-Based and Symbol-Based

Methods for Entity Alignment ［J］. Pattern Recognition， 2022， 124： 108433-1-108433-14.

［6］" ZHU Y， LIU H Z， WU Z H， et al. Relation-Aware Neigh

borhood Matching Model for Entity Alignment ［C］//National Conference on Artificial Intelligence. Palo Alto： AAAI， 2021： 4749-4756.

［7］" ZENG W X， ZHAO X， TANG J Y， et al. Reinforced Active Entity Alignment ［C］//Proce

edings of the 30th ACM International Conference on Information amp; Knowledge Management. New York： ACM， 2021： 2477-2486.

［8］" YANG L Y， L C， WANG X， et al. Collective Entity Alignment for Knowled

ge Fusion of Power Grid Dispatching Knowledge Graphs ［J］. IEEE/CAA Journal of Automatica Sinica， 2022， 9（11）： 1990-2004.

［9］" VELIKOVI P， CUCURULL G， CASANOVA A， et al. Graph Attention Networks ［EB/OL］.

（2017-10-30）［2023-04-11］. https：//arxiv.org/abs/1710.10903.

［10］" PENNINGTON J， SOCHER R， MANNING C D. Glove： Global Vectors for Word Represent

ation ［C］//Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing （EMNLP）. ［S.l.］： ACL， 2014： 1532-1543.

［11］" ZENG W X， ZHAO X， TANG J Y， et al. Reinforcement Learning-Based Collective Entity

Alignment with Adaptive Features ［J］. ACM Transactions on Information Systems （TOIS）， 2021， 39（3）： 1-31.

［12］" ZENG W X， ZHAO X， WANG W， et al. Degree-Aware Alignment for Entities in Tail

［C］//Proceedings of the 43rd International ACM SIGIR Conference on Research and Development in Information Retrieval. New York： ACM， 2020： 811-820.

［13］" LEHMANN J， ISELE R， JAKOB M， et al. DBpedia： A Large-Scale， Multilingual Kno

wledge Base Extracted from Wikipedia ［J］. Semantic Web， 2015（6）： 1-29.

［14］" LOSHCHILOV I， HUTTER F. Decoupled Weight Decay Regularization ［EB/OL］.

（2017-11-14）［2023-02-10］. https：//arxiv.org/abs/1711.05101.

［15］" SUN Z Q， HU W， ZHANG Q H， et al. Bootstrapping Entity Alignment with Knowledge Graph Embedding ［C］//

Proceedings of the 27th International Joint Conference on Artificial Intelligence. New York： ACM， 2018： 4396-4402.

［16］" MAO X， WANG W T， XU H M， et al. MRAEA： An Efficient and Robust Entity Alignmen

t Approach for Cross-Lingual Knowledge Graph ［C］//Proceedings of the 13th International Conference on Web Search and Data Mining. New York： ACM， 2020： 420-428.

［17］" ZENG W X， ZHAO X， TANG J Y， et al. Reinforcement Learning Based Collective Ent

ity Alignment with Adaptive Features ［J］. ACM Transactions on Information Systems， 2021， 39（3）： 26-1-26-31.

（責任編輯： 韓" 嘯）