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

本文评估了嵌入式实体对齐在工业环境中的性能，提供了基于医学应用的两个异构知识图谱的新的评测基准，并探索了不同数量和不同偏差的种子映射对性能的影响，揭示了这些对齐方法的优缺点以及适合工业部署的策略。

Oct, 2020

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

本文利用属性值编码器将知识图谱分为子图，以有效地建模各种类型的属性三元组，提出一种能够显著提高在跨语言和单语数据集下各项指标的 Entity Alignment 方法，并在不同子图上进行深入的消融研究和实证案例探究.

Oct, 2020

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

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

本研究提出了一种使用图神经网络和时间信息匹配机制的方法，用于在时间知识图中实现实体对齐，并且提出了自动生成无监督对齐种子的方法，经过实验证明，该方法在性能和效率方面优于以往方法。

Sep, 2022