本文引入一种新型的通用实体对齐框架，该框架基于本体对与通过 triple-aware attention 实现的角色增强机制，而无需引入外部资源，实现了从不同知识图谱中发现等价对象的基本任务，该框架在三个真实数据集上的实验结果表明，与基线方法相比，具有竞争性能。

May, 2023

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

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

本文提出了一种有效和高效的非神经网络时空知识图谱实体对齐框架 LightTEA ，用于将不同知识图之间的实体进行对齐，提升知识融合的质量和效率。实验证明，相比于现有的同类方法，该模型能够显著提高实体对齐的效果并大幅缩短运行时间。

Jul, 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

本文介绍了一种名为 DualMatch 的方法，这种方法在实体对齐中有效地融合了关系和时间信息，并将其转化为一种基于加权图匹配的解码器。DualMatch 具有无监督方法和能够有效捕获时间信息等优点，能够在有监督和无监督的情况下执行。实验结果表明，Dual Match 在三个真实世界的时间知识图数据集上表现优于现有的方法。

Feb, 2023

通过使用实体名称信息和度量作为重要的指导信息，提出了 degree-aware co-attention 网络来识别结构和名称信号的新型互补框架，以有效地融合两种不同的信息源，然后使用有信心的 EA 结果作为锚点通过迭代训练来补充原始 KG 的事实。

May, 2020

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

该研究通过神经算法推理对神经网络进行研究，旨在开发能够从经典算法中进行学习的神经网络。主要挑战是开发出表现足够强大的图神经网络，能够预测给定的算法输出，并在未知数据上具备良好的泛化能力。在此工作中，我们介绍了一种新的图神经网络层，称为 Triplet Edge Attention (TEA)，它是一种边感知的图注意力层。我们通过精确计算边的潜在性能和使用基于边的注意力聚合多个三元组消息的方式来实现我们的算法。我们在 CLRS 基准测试中对 TEA 层进行了实证验证，并取得了平均 5% 的改进。特别是，在与现有模型相比，我们的方法在字符串算法中取得了 30% 的改进。

Dec, 2023