本文研究利用基于嵌入的方法，利用多语言知识图谱上实体的文字描述，通过共训两种嵌入模型，即一个多语言知识图谱嵌入模型和一个多语言文字描述嵌入模型，进行半监督学习。实验结果表明，该方法在实体对齐任务中的性能随共训迭代而提高，最终明显优于之前的方法。此外，该方法具有零样本实体对齐和跨语言知识图谱完成的良好能力。

Jun, 2018

本文研究使用基于嵌入的方法将不同语言的实体编码到同一向量空间中，并提出使用预训练的多语言 BERT 模型来融合各个语言中的实体描述，以寻找源语言和目标语言之间相应实体的方法。结果表明，该方法在两个基准数据集上明显优于现有系统。

Oct, 2019

该论文将主题实体图引入跨语言知识图谱对齐，通过图匹配和基于图注意力的模型来进行相似实体的匹配，实验证明该方法比现有的方法表现更好。

May, 2019

本文提出了一种联合属性保留嵌入模型以解决跨语言实体对齐的问题，将两个知识库的结构联合嵌入到一个统一的向量空间，通过利用知识库中的属性相关性进一步优化。实验结果表明，该方法显著优于现有的基于嵌入的方法。

Aug, 2017

ALIGNKGC 是一种用于训练多语言知识图谱（Knowledge Graph）完成、实体对齐和关系对齐模型的方法，旨在优化三种损失。使用 DBPedia 数据集进行实验，并与单一 KGC 模型、不使用对齐的 KGC 模型进行比较，结果表明 ALIGNKGC 在这三种任务上的表现均得到了改善。

Apr, 2021

本文提出了一种使用图卷积神经网络（GCN）学习实体和关系表示的新颖联合学习框架，以改善实体对齐，并证明利用有用的关系表示来协助实体对齐是一种简单而有效的方法。通过在三个真实的跨语言数据集上进行的实验表明，我们的方法显著优于现有的实体对齐方法。

Sep, 2019

该研究提出了一种基于大型语言模型增强的实体对齐框架（LLMEA），将知识图谱的结构知识与大型语言模型的语义知识相结合，以提升实体对齐的效果。实验结果表明，LLMEA 优于其他基线模型，进一步剖析试验证实了我们提出框架的效能。

Jan, 2024

本文旨在通过自监督学习方法，利用知识图谱之间的对应关系，解决构建大规模知识图谱所必需的实体对齐问题，实验结果表明本文提出的 SelfKG 方法在无监督学习领域已经可以达到或超过有监督学习领域的最新方法的水平。

Jun, 2021

本研究提出了一种新的跨语言词和实体联合表示学习方法，通过多语言知识库进行远程监督，利用两种正则化方法和知识和跨语言关注降低噪声， 实验结果定性和定量证明了该方法的显著性。

Nov, 2018

提出了一种简单且新颖的无监督方法，利用深度学习多语言编码器结合机器翻译器对知识图谱文本进行编码，同时考虑全局与局部对齐策略，并生成排名匹配结果。在跨语言实体对齐任务上，我们的方法在 DBP15K 数据集中的中文、日文和法文到英文对齐任务中得到了较高的准确率，超过了无监督和半监督类别的最新方法。与最新的有监督方法相比，在日文到英文和法文到英文对齐任务中，我们的方法分别提高了 2.6% 和 0.4%，在中文到英文对齐任务中略微降低了 0.2%。

Sep, 2023