提出了一种用于多模态实体对齐的多粒度交互框架（MIMEA），其能够在同一模态或不同模态之间有效实现多粒度交互，并通过四个模块来完成：多模态知识嵌入模块、概率引导的模态融合模块、最优传输模态对齐模块和模态自适应对比学习模块。与其他方法相比，MIMEA 在两个真实世界数据集上进行的大量实验证明了其较强的性能。

Apr, 2024

多模态实体对齐 (MMEA) 是一个关键任务，旨在识别多模态知识图谱 (MMKGs) 中的等效实体对。我们提出了一种名为 MoAlign 的新颖 MMEA transformer，通过引入邻居特征、多模态属性和实体类型来增强对齐任务。利用 transformer 的能力更好地集成多重信息，我们设计了一个层次可修改的自注意力块在 transformer 编码器中，以保留不同信息的独特语义。此外，我们设计了两种实体类型前缀注入方法，使用类型前缀来整合实体类型信息，有助于限制 MMKGs 中不存在的实体的全局信息。我们在基准数据集上进行了广泛实验，证明我们的方法优于强竞争对手，且实现了出色的实体对齐性能。

Oct, 2023

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

本研究提出了一种新的多模态实体对齐方法，构建在超伪椭球流形的基础上，通过结构和视觉信息相结合，提高了多模态知识图谱的准确性和完整性。

Jun, 2021

该研究提出了一种新的实体对齐方法，将实体的三元组转化为文本序列，并以双向文本蕴含任务的形式对齐两个知识图谱中的实体，该方法利用预训练语言模型，能够更好地捕捉实体之间的联系，并在五个跨语言实体对齐数据集上表现优异。

May, 2023

这篇论文提出了一种可解释的知识图对齐模型 i-Align，其结合了基于 Transformer 的图形编码器 Trans-GE 和 Transformer 编码器，用于聚合信息和生成解释，展示了其在知识图对齐和生成解释的有效性及实用性。

Aug, 2023

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

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

该论文提出了一种新颖的基于关系感知图注意力网络的框架，旨在捕捉实体和关系之间的交互，并通过全局对齐算法生成一个细粒度相似性矩阵，以实现多个知识图之间的实体对齐任务，实验结果表明，该框架的性能超过了现有的最先进方法。

Mar, 2021