对抗确认偏差：一种统一的伪标记框架用于实体对齐
本研究提出了一种基于最优传输建模的冲突感知伪标记（CPL-OT）模型，用于实现不同知识图谱之间的实体对齐，并证明其在基准数据集上比现有模型具有更好的表现。
Sep, 2022
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
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
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
在这篇论文中，我们提出了一种名为 MixTEA 的新型半监督实体对齐方法，通过混合使用手动标记映射和概率伪映射来指导模型学习。我们采用了双向投票策略来估计伪映射的不确定性，并设计了一种基于匹配多样性的校正模块来调整伪映射学习，从而减少错误映射的负面影响。通过对基准数据集的广泛实验和进一步分析，我们证明了我们提出的方法的优越性和有效性。
Nov, 2023
通过设计一种新颖的主动学习策略以及引入无监督标签优化方法，我们提出了一个统一的框架 LLM4EA，以有效地利用大型语言模型自动化实体对齐，并在四个基准数据集上进行了广泛实验，证明了其在效果、鲁棒性和效率方面的优势。
May, 2024
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
通过对研究发现，我们在本文中提出了一种非神经网络 EA 框架 LightEA，它包含了 Random Orthogonal Label Generation，Three-view Label Propagation 和 Sparse Sinkhorn Iteration 三个组件，从而达到极佳的可伸缩性、鲁棒性和可解释性，对多个公共数据集的实验证明了其与现有最先进方法可媲美甚至更好的结果。
Oct, 2022
我们提出了一个潜在同构传播算子来加强跨知识图谱的邻居信息传播，以提高聚合型模型的准确性，并展示了 PipEA 在弱监督实体对齐方面取得的显著性能提升。
Feb, 2024
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