实体对齐：把不同图谱里的同一实体合并

可视化演示

展示属性匹配、嵌入相似度与图结构三种实体对齐方法，通过两个知识图谱间实体配对与相似度计算帮助理解知识融合核心机制。

对齐问题定义

老周翻开两本户籍册时，先要搞清楚一件事：东城册子里的“张翠山”和西城册子里的“张翠姗”到底是不是同一个人。这里，“张翠山”是东城图谱里的一条节点记录，“张翠姗”是西城图谱里的一条节点记录，而它们共同指向的现实对象，是那个开面馆的人。在知识图谱里，我们把现实世界中的“人和物”叫作实体，把图谱里用来代表它的那条节点记录叫作指称。实体对齐要做的，就是回答一个看似简单的问题：两个来自不同图谱的节点，是不是同一个实体？如果是，就把它们合并成一个；如果不是，就让它们各归各位。

这个问题难在“同一个实体”在不同数据源里会被写成不同模样。有的图谱用“张翠山”，有的用“张翠姗”；有的存了电话，有的没存；有的在“面馆老板”这个属性上填了值，有的干脆空着。再加上重名现象，比如两个同名同姓的“李娜”，实体对齐就从一个字符串比较问题，变成了一个需要综合判断的匹配问题。所以，工程上通常不会直接回答“是或否”，而是先计算两个节点之间的相似度，再用一个阈值决定合不合并。

老周把这套思路总结成一句话：先给每对“疑似同一个人”的记录打分，再设定一个合格线。合格线定得低，合并得多但容易出错；合格线定得高，出错少但容易漏掉真人。这个“权衡”，就是实体对齐从第一步开始就要面对的哲学。

属性特征匹配

老周最先做的，是逐行对比档案里的基本信息：姓名、出生年月、住址、家属。他发现，不同街道填表的习惯不一样，有人写“1990-01-01”，有人写“1990/1/1”；有人写“张翠山”，有人写“张翠姗”。这就是属性特征匹配要处理的问题：把实体身上的一组属性拿出来，逐项比较，再汇总成一个相似度分数。属性越相似，两个节点是同一实体的可能性就越大。

实际操作中，不能要求每个属性都完全相等。名字可以算字符相似度，日期要先统一成同一种格式再比，性别这种枚举值则可以直接判等。这种“属性归一化”很重要，否则“1990-01-01”和“1990/1/1”明明是同一天，却被当成两个值。归一化之后，每个字段都会得到一个 0 到 1 之间的相似度。接下来的问题变成了：这么多字段，怎么综合？

老周发现，属性匹配就像是给两个档案里的字段“对暗号”。暗号对得越多、越关键，就越敢确认是同一个人。但属性也会说谎，有的人改名，有的人搬家，所以属性匹配只是第一关，不能完全信任。

向量嵌入相似

有经验的老周发现，光看档案字段还不够，因为人的“气质”很难用具体字段描述。他练就了一种本事：扫一眼对方说话、走路、做事的方式，就能认出是不是同一个人。机器也有类似的本事，叫做“嵌入表示”。知识图谱里的每个实体，可以通过训练被映射成一个向量。向量不是简单的属性拼接，而是把实体的多种信息压缩成一串数字，像是给实体画了一张“数字画像”。同一实体在不同图谱里即使名字写法不同，只要它们在各自图谱中扮演的角色相似，向量就可能很接近。

要让两个不同图谱的实体能在同一个空间里比较，通常需要先做“向量空间映射”。可以借助种子锚点，也就是一批已经确认对齐的实体对，把两个向量空间拉近到同一个坐标系里。之后，两个实体谁更接近，就看它们向量的夹角——夹角越小，说明方向越一致，越可能是同一个实体。衡量夹角最常用的办法是余弦相似度。

老周恍然大悟，属性匹配是看“身份证上写了什么”，向量相似是看“这个人整体的气质像不像”。两种方法各有盲区，结合在一起，判断就稳得多。

图结构上下文

老周还有一招更绝的：不看本人，看朋友圈。如果东城档案里的“王五”交往的都是面馆老板、厨子、面粉供应商，西城档案里那个候选人也恰好和这些身份的人频繁往来，那这两个人的“圈子”高度重合，是同一个人可能性就很大。知识图谱里的实体不是孤立的，它们通过关系连成一张网。每个实体的邻居，就是和它直接相连的实体集合。比较两个候选实体的邻居集合，就能看出它们在图中是不是处在相似的位置。

最朴素的图结构相似度，是比较两个邻居集合的交集占并集的比例。交集越大，共同朋友越多，两个实体越可能被对齐。这个方法看起来简单，在真实数据里却很有用，因为它利用了“物以类聚，人以群分”的规律。更进一步，还可以沿着关系往远处多走几步，做多跳传播，把二度、三度邻居的信息也带进来，让那些邻居集合只有少量重合的困难样本也能找到线索。

老周总结，属性匹配是“看证件”，向量相似是“看气质”，图结构对齐是“看朋友圈”。三者相互补充，才能应付真实世界里五花八门的记录。

主动学习策略

就算老周再有经验，也总有拿不准的时候。这时他的做法是放下册子，亲自去街道办或者给本人打电话确认。把这个流程搬到机器上，就是“主动学习”：模型从大量待对齐的候选对里，挑出自己最不确定的一些样本，交给人工专家标注“是同一个人”或“不是同一个人”，再用这些标注结果优化模型。这样一来，人工不用标注所有数据，只需要处理机器最吃不准的关键样本，成本大大降低。

什么样的样本最值得问？不是那些看起来明显相同或明显不同的样本，而是模型在两个答案之间犹豫不决的样本。比如相似度刚好卡在 0.55，离阈值 0.6 只差一点，模型说“像”但底气不足。主动学习会优先把这种“骑墙”样本送给人看。常见的采样策略是最小置信度：分数越低，说明模型越没把握，越值得人工介入。

老周每确认一个疑难样本，就等于给模型喂养了一条新经验。模型下次再遇到类似的“张翠山”和“张翠姗”，就不会那么犹豫了。主动学习让机器和人在实体对齐的流程里变成同事，而不是各干各的。

效果评估方法

到月底，老周要向领导汇报：这次合并户籍册，做得准不准、全不全？准不准，指的是每个被他合并的记录，是不是真的都是同一个人；全不全，指的是所有该合并的记录，是不是都被他找出来了。这两个问题对应到评估指标里，就是精确率和召回率。精确率高，说明错误合并少；召回率高，说明漏掉的少。可现实中，这两个指标常常互相打架：调高阈值，遗漏变多；调低阈值，误报变多。

为了用一个数字反映综合效果，最常用的指标是 F1 分数。F1 是精确率和召回率的调和平均，只有当两者都高的时候，F1 才会高。如果模型只追求精确率而把阈值拉到极高，几乎所有预测都是对的，但漏掉一大半，F1 并不会好看。除了 F1，工程上还会看 Hits@K，也就是对齐结果中真正正确的配对排在前 K 位的比例，用来衡量“排行榜式”输出的质量。

老周把汇报表格发给领导时，真正懂行的人看的不是一两个漂亮的成功案例，而是系统性的精确率和召回率。实体对齐不是“能找出几个对”，而是“在复杂的噪声数据里还能保持可靠”。

融合实践流程

理论讲了一堆，老周真正动手时，是按一套固定流程走的。第一步是数据预处理：把两本册子的字段名统一，日期格式统一，人名里的繁体字、错别字尽量归一化。第二步是候选生成：几千几万个实体两两比较，计算量太大，所以先通过姓名首字母、生日年份、所在街道等粗粒度条件，筛出一小撮“可能有关”的候选对。第三步才是精细打分：对候选对分别计算属性相似度、向量相似度、图结构相似度，加权得到一个总分。第四步是调阈值和人工抽检，把结果稳定后再上线。

在真实系统里，这些步骤不是一次性结束的。新数据会不断进入，老周的工作台要支持增量融合：已经确认对齐的实体对要记录下来，下次遇到同样的人直接复用；新出现的模糊候选对，再由主动学习挑出来找人确认。整个流程的核心，是把多个相似度分数组合成一个综合决策分数。

老周的经验是，流程比模型更关键。预处理好、候选生成合理、阈值调得准，即使只用简单的相似度函数，也能做出非常可靠的实体对齐系统。反过来，再花哨的模型如果接不进数据流程，也只是纸上谈兵。

AI 应用场景

Python 演示

# -*- coding: utf-8 -*-"""实体对齐小演示: 属性相似度 + 图邻居相似度""" def jaccard(a, b):    a = set(a)    b = set(b)    if not a and not b:        return 0.0    return len(a & b) / len(a | b)  def char_sim(x, y):    return jaccard(list(x), list(y))  def attr_score(e1, e2, weights):    total = 0.0    total_w = 0.0    for key, w in weights.items():        v1 = e1.get(key)        v2 = e2.get(key)        if v1 is None or v2 is None:            continue        if isinstance(v1, str):            s = char_sim(v1, v2)        else:            s = 1.0 if v1 == v2 else 0.0        total += w * s        total_w += w    return total / total_w if total_w > 0 else 0.0  def align(kg1, kg2, weights, threshold=0.6):    result = []    for e1 in kg1:        best_e2 = None        best_score = 0.0        for e2 in kg2:            s_attr = attr_score(e1, e2, weights)            s_ngb = jaccard(e1["neighbors"], e2["neighbors"])            score = 0.7 * s_attr + 0.3 * s_ngb            if score > best_score:                best_score = score                best_e2 = e2["id"]        if best_score >= threshold:            result.append((e1["id"], best_e2, round(best_score, 3)))    return result  if __name__ == "__main__":    kg1 = [        {"id": "A1", "name": "Alice", "birth": 1990, "org": "X", "neighbors": ["A2", "A3"]},        {"id": "A2", "name": "Bob", "birth": 1985, "org": "Y", "neighbors": ["A1", "A4"]}    ]    kg2 = [        {"id": "B1", "name": "Alisa", "birth": 1990, "org": "X", "neighbors": ["B2", "B3"]},        {"id": "B2", "name": "Bobby", "birth": 1986, "org": "Z", "neighbors": ["B1", "B4"]}    ]    weights = {"name": 0.5, "birth": 0.3, "org": 0.2}    print(align(kg1, kg2, weights))

1. a = set(a)把邻居列表或字符串拆成集合，方便算交集和并集。
2. return len(a & b) / len(a | b)Jaccard 相似度的核心计算，取值在 0 到 1 之间。
3. if isinstance(v1, str):字符串属性用字符相似度，非字符串属性直接判等。
4. score = 0.7 * s_attr + 0.3 * s_ngb属性相似度占七成，邻居相似度占三成。
5. if best_score >= threshold:只有超过阈值的候选对才会被输出为对齐结果。
6. print(align(kg1, kg2, weights))程序入口，在本地运行即可看到对齐结果。

常见误区

面试题