本文介绍了实体对齐的新方法 ——embedding-based. 通过调查 23 种不同的 entity alignment 方法，我们提出了一种新的 KG 采样算法，并生成了不同的异质性和分布的基准数据集来进行评估。通过开源库测试了其中 12 种代表性的 entity alignment 方法，讨论了它们的优点和局限性。同时，我们进行了探索性实验，并报告了未来研究的初步结果。

Mar, 2020

本文通过进行第一次统计学分析，对知识图谱中利用嵌入方法进行的实体对齐的流行方法进行了评估，并根据其在不同性能度量和知识图谱特征方面的有效性将其排名。

Mar, 2022

该论文介绍了发现不同知识图谱中相同实体的通用技术，使用嵌入式技术具有符号异构性的问题，在构建数据集时发现了两个主要不足之处：关系三元组中的同构图结构和属性三元组中的弱异质性，因此提出了一种基于时间感知的文字编码算法进行实体对齐。

Nov, 2022

本研究提出一种新颖的框架，通过利用实体的多个视角来学习实体嵌入，从而增强知识图谱之间的嵌入式实体对齐，并在真实数据集上验证实验证明，该框架显著优于现有的嵌入式实体对齐方法。

Jun, 2019

本文对不同的实体对齐方法进行了全面分析，其中主要以基于知识图谱的低维嵌入算法为主，同时提出了四个研究问题并对应用场景和局限性进行了讨论，根据工业数据集中的难点以 extit {Hubness, Degree distribution, Non-isomorphic neighbourhood,} 和 extit {Name bias} 等四个方面进行了实证分析，提出了一个低名称偏倚数据集，并创建了一个开源库，包括 14 种嵌入式实体对齐方法用于进一步研究。

May, 2022

本文提出了一种可扩展的基于 GNN 的实体对齐方法，通过三个视角减少子图嵌入中的结构和对齐损失，并在实验中证实了该方法的有效性。

Aug, 2022

本文提出一个以本体指导实体对齐的方法 OntoEA，该方法通过联合嵌入本体和知识图谱来避免虚假映射，实验证明了该方法的优越性和本体的有效性。

May, 2021

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

研究了两类从知识图谱中丰富信息的方法：链接预测和实体对齐的评估，分析了现有评估措施的信息量，提出了评估的调整建议，并证明这有助于公平、可比和可解释的模型性能评估。

Feb, 2020

本研究提出了一种名为 JEANS 的 incidentally supervised 模型，该模型联合表示多语言知识图谱和文本语料库，并通过文本提供一定程度的监督信号来改进实体对齐任务。实验结果表明，JEANS 在实体对齐方面具有较好的性能，且显著优于仅依赖于知识图谱内部信息的现有方法。

May, 2020