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

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

本文探讨了如何在不同的知识图谱之间匹配实体的问题，使用基于分类的方法和 RDF2Vec 图嵌入表示，同时提供用于研究该问题的数据集和实验结果作为未来工作的强基线。

Mar, 2019

本文提出一种神经实体链接模型，通过多种角度训练查询和候选文档之间的细粒度相似性和不相似性，并结合卷积和张量网络，在多语言语境下实现跨语言实体链接，并证明该英文训练的系统可以通过使用多语言嵌入进行零 - shot 学习。该提议系统在英语以及跨语言测试中取得 state-of-the-art 的结果 (例如：西班牙语和汉语 TAC 的 2015 数据集)。

Dec, 2017

本文提出了一种基于翻译模型的多语言知识图谱嵌入方法 MTransE 来实现跨语言的知识对齐，并采用不同的转化技术和损失函数来生成五种模型，实验证明该方法在跨语言实体匹配和三元组对齐方面取得了很好的效果。

Nov, 2016

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

自然语言处理和计算机视觉领域中近期的研究一直在利用知识图谱中可用的文本信息，例如实体名称和描述，来将神经模型与高质量的结构化数据对接。然而，在非英语语言中，可用的文本信息的数量和质量相对较少。为了解决这个问题，我们提出了自动知识图谱增强（KGE）的新任务，并对英语和非英语语言之间的文本信息的数量和质量差异进行了深入研究。作为对增加多语言覆盖率和实体名称、描述精确度的问题的研究，我们呈现了 M-NTA，一种新的无监督方法，结合了机器翻译（MT），网络搜索（WS）和大型语言模型（LLMs）以生成高质量的文本信息，并研究了增加非英语文本信息的多语言覆盖率和精确度对实体链接、知识图谱补全和问题回答的影响。作为我们朝着更好的多语种知识图谱的努力的一部分，我们还介绍了 WikiKGE-10，第一个跨 7 个语系评估 10 种语言中的 KGE 方法的人工策划的基准。

Nov, 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