Recently, similar entity searching over knowledge graph (KG) has gained much attentions by researchers. However, in rich-semantic KGs with multi-typed entities and relations, also known as heterogeneous information network, relevant entity search is considered as a challenging task due to the ambiguity as well as complexity of user’s queries in realistic applications, such as QA chatbot and KG-based information retrieval. In this paper, we propose a novel approach, called W-KG2Vec which enables to automatically learn the semantic representations of entities in KG by applying the meta-path. The proposed W-KG2Vec is a meta-path-specific model which supports to evaluate both semantic relations as well as the text-based similarity between entities. The combination of text- and structure-based embedding mechanism of W-KG2Vec is promising to achieve better representations of entities in given KGs for handling complex user’s queries. To effectively learn the sequential textual representations of entities’ descriptions, we propose a combination of BERT pre-trained model with LTSM encoder, called BERT-Text2Vec. Then, the text-based similarity between entities is used to leverage our weighted meta-path-based random walk mechanism in W-KG2Vec model. Extensive experiences on real-world KGs (YAGO and Freebase) demonstrate the effectiveness of our proposed model against recent state-of-the-art KG embedding baselines.

最近，基于知识图谱（KG）的类似实体搜索受到了研究人员的广泛关注。然而，在具有多类型实体和关系的丰富语义KG，也称为异构信息网络中，由于用户查询在现实应用中的歧义和复杂性，例如QA聊天机器人，相关实体搜索被认为是一项具有挑战性的任务。和基于 KG 的信息检索。在本文中，我们提出了一种称为 W-KG2Vec 的新方法，它能够通过应用元路径自动学习 KG 中实体的语义表示。提出的 W-KG2Vec 是一种元路径特定模型，它支持评估实体之间的语义关系以及基于文本的相似性。W-KG2Vec 的基于文本和基于结构的嵌入机制的结合有望在给定的 KG 中实现更好的实体表示，以处理复杂的用户查询。为了有效地学习实体描述的顺序文本表示，我们提出了 BERT 预训练模型与 LTSM 编码器的组合，称为 BERT-Text2Vec。然后，实体之间基于文本的相似性用于利用我们在 W-KG2Vec 模型中的基于加权元路径的随机游走机制。在现实世界的 KG（YAGO 和 Freebase）上的广泛经验证明了我们提出的模型对最近最先进的 KG 嵌入基线的有效性。我们提出了 BERT 预训练模型与 LTSM 编码器的组合，称为 BERT-Text2Vec。然后，实体之间基于文本的相似性用于利用我们在 W-KG2Vec 模型中的基于加权元路径的随机游走机制。在现实世界的 KG（YAGO 和 Freebase）上的广泛经验证明了我们提出的模型对最近最先进的 KG 嵌入基线的有效性。我们提出了 BERT 预训练模型与 LTSM 编码器的组合，称为 BERT-Text2Vec。然后，实体之间基于文本的相似性用于利用我们在 W-KG2Vec 模型中的基于加权元路径的随机游走机制。在现实世界的 KG（YAGO 和 Freebase）上的广泛经验证明了我们提出的模型对最近最先进的 KG 嵌入基线的有效性。