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

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

本文介绍了一种基于相邻性信息的连续实体对齐方法，以实现对知识图谱中不断增长的实体进行快速嵌入表示，并通过回放部分预对齐实体对来更新旧对齐方式以找到新的实体对齐，并验证实验证明，与迭代学习和重新训练的传统实体对齐方式相比，本方法更加高效。

Jul, 2022

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

本文提出了一种基于图卷积神经网络和知识蒸馏的实体对齐模型以解决关系语义信息利用不充分的问题，并通过实验验证了其有效性。

Jan, 2022

介绍将子图网络方法引入 GCN 模型用于跨语言知识图谱实体对齐任务，并在实验中证明该方法优于现有 GCN 方法。

May, 2022

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

本论文通过构建与真实场景相似的高度异质化知识图谱 (HHKG)，并对现有的图神经网络 (GNNs) 实体对齐方法进行实验，发现 GNNs 不能充分利用 HKKG 的结构信息，导致性能不佳。最后，介绍一种简单有效的方法 (Simple-HHEA)，实验结果表明该方法在 HHKG 数据集上的表现优于之前的模型。

Apr, 2023