本篇论文提出了交互式对比学习模型，不仅编码了实体的结构和语义信息（包括实体名称、实体描述和实体邻域），还通过构建伪对齐实体对进行跨知识图谱的对比学习，展示出该模型有效性较高，并在实验中超越了之前最佳的自监督结果（平均提高了 9％以上），且性能与之前的 SOTA 监督方法相当。

Jan, 2022

本文提出了一种新的基于主动学习的神经实体对齐框架，通过结合结构感知不确定性抽样策略和单例识别器，以便更有效地建立 Seed Alignment，从而减少成本，并具有较好的泛化性。

Oct, 2021

本文旨在通过自监督学习方法，利用知识图谱之间的对应关系，解决构建大规模知识图谱所必需的实体对齐问题，实验结果表明本文提出的 SelfKG 方法在无监督学习领域已经可以达到或超过有监督学习领域的最新方法的水平。

Jun, 2021

本篇论文提出了一种基于 Echo 实体对齐的新框架，该框架利用 4 级自注意机制将实体信息传播到关系中并回传到实体，同时提出了属性组合双向全局过滤策略以改进引导和生成高质量训练数据，实验结果表明，此方法在三个现实跨语言数据集上的表现稳定在平均 hits@1 上达到 96%，不仅显著优于现有 GNN-based 方法，还是现有 EA 方法的通用和可转移的。

Jul, 2021

本文提出了一种无监督框架，用于在开放世界中进行实体对齐。该框架挖掘了知识图谱的旁路信息，过滤掉无法匹配的实体，通过渐进式学习框架不断改进结构嵌入，从而提升对齐质量，同时不需要标记数据。

Jan, 2021

通过在实体对齐模型中注入兼容性的性质，我们提出了一种训练框架，以利用在知识图谱中各个实体之间潜在的依赖关系，可用少量标记数据进行训练，却能达到同标准监督训练所得的效果，验证了该技术的优势。

Nov, 2022

本篇论文提出了一种基于图增强的新颖实体对齐方法 GAEA，结合实体 - 关系编码器和图扩充的方法来消除 KG 的结构异质性，进一步提高模型的对齐效果。

Apr, 2023

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

本文介绍了利用自监督学习方法进行实体对齐，通过得到 unlabeled negative pairs（无标签负样本），实现将匹配的 entity pairs（实体对）拉远的方法，实验表明这种方法的性能可以跟最好的有监督方法媲美甚至更好。

Mar, 2022

通过将跨语言实体对齐问题转化为分配问题，我们提出了一种无需神经网络的令人沮丧的简单但有效的无监督实体对齐方法 (SEU)，在所有公共数据集上甚至击败了先进的监督方法，并具有高效性、可解释性和稳定性。

Sep, 2021