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

该论文介绍了发现不同知识图谱中相同实体的通用技术，使用嵌入式技术具有符号异构性的问题，在构建数据集时发现了两个主要不足之处：关系三元组中的同构图结构和属性三元组中的弱异质性，因此提出了一种基于时间感知的文字编码算法进行实体对齐。

Nov, 2022

利用 Align-Subgraph 实体对齐（ASGEA）框架从 Align-Subgraphs 中挖掘逻辑规则，设计了 Path-based 图神经网络（ASGNN）来有效地在知识图谱中识别和整合逻辑规则，并通过多模式增强的锚点和多模式注意机制增强 Align-Subgraph，优于嵌入式方法在实体对齐和多模式实体对齐任务中表现出卓越性能。

Feb, 2024

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

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

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