计算机应用

作者：曹泽毅, 昌燕, 赖仁鑫, 张仕斌, 秦智, 闫丽丽, 张雪健, 狄元灏

单位：1.成都信息工程大学 网络空间安全学院（芯谷产业学院），成都 610054；2.先进密码技术与系统安全四川省重点实验室（成都信息工程大学），成都 610054；3.先进微处理器技术国家工程研究中心（工业控制与安全分中心），成都 610225

关键词：重要数据识别,数据融合,信息熵,实体对齐,注意力机制

基金：国家重点研发计划项目(2022YFB3103103);国家自然科学基金资助项目(62272068);国家自然科学基金资助项目(62076042);国家自然科学基金资助项目(62102049);四川省科技计划项目(2023YFS0419);成都市重点研发支持计划项目(2021-YF09-00114-GX);成都市重点研发支持计划项目(2019-YF005-02028-GX);四川省重点研发计划项目(2021YFSY0012);四川省重点研发计划项目(2020YFG0307);四川省重点研发计划项目

大规模机构分散存储的数据实体存在数据冗余、信息缺失和不一致等问题，需要通过实体对齐进行集成融合。现有的实体对齐方法大多依赖实体的结构信息，通过子图匹配进行对齐，但分散存储数据的结构信息匮乏，导致对齐效果不佳。为解决上述问题，并支撑重要数据的识别，提出一种单层图神经网络的基于属性的实体对齐模型。首先，使用单层图神经网络避免次级邻居节点的信息干扰；其次，设计基于信息熵的属性赋权方法，从而在初始阶段快速区分属性的重要程度；最后，构建基于注意力机制的编码器，以结合局部和全局视角表征不同属性在对齐中的重要程度，更全面地表征实体信息。实验结果表明，在2个分散存储数据集上，相较于次优模型，所提模型的前1位命中率（Hits@1）分别提升了5.24和2.03个百分点。可见，所提模型的对齐效果优于其他实体对齐方法。

来源：2025年第10期

《计算机应用》期刊编辑部

查看计算机应用杂志2025年第10期