本次组会将会介绍阅读的一篇论文《Dynamic Knowledge Graph Alignment》，主要从以下几个方面介绍：

科研背景

研究者通常根据实际需求构建知识图谱，造成单一知识图谱信息覆盖率低的问题，无法满足不同领域知识图谱的应用需求。知识融合是充分利用现有知识图谱，提高知识图谱信息覆盖率的主要途径。实体对齐是最常用的知识融合方法，一般用来从不同知识图谱中找到指向现实世界同一对象，并建立对象之间的关联关系。

科研问题

作者表示，现有对齐方法普遍假定知识图谱是静态的，而事实上知识图谱应该是处于一个更新和发展的过程中。基于此，论文提出了一个扩展的对齐任务：动态图谱对齐。

方法

作者认为该任务的难点在于实体嵌入的更新，因为知识图谱更新后拓扑结构也会随之变化，而实体嵌入与图谱结构高度相关。所提方法DINGAL-系列的核心思路是将知识图谱表示学习使用的GCN参数矩阵视作特征转换操作，从而减少转换和聚合过程间的耦合。

结果

实验对比现有14种对齐模型取得了性能超越，并且系列算法取得了更快的运行速度。