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

本文提出一种基于关系感知的双图卷积神经网络（RDGCN），以通过知识图谱和其双重关系相互作用来整合关系信息，并进一步捕获邻近结构以学习更好的实体表示，以获取更好且更有效的跨语言实体对齐结果。

Aug, 2019

本文提出了两种协调推理方法，即Easy-to-Hard解码策略和共同实体对齐算法，以解决实体对齐过程中的“一对多”问题，并通过扩展当前基线的对齐模型来实现。实验结果表明，该模型达到了最先进的性能水平，提出的推理方法也可以显著改进现有的基线。

Jan, 2020

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

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Informed Multi-context Entity Alignment (IMEA)模型，使用Transformer来灵活捕获关系、路径和邻域上下文，并通过综合推理估计对齐概率，通过提出的软标签编辑将对齐证据注入回Transformer中，从而提高实体对齐的性能。

Jan, 2022

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

本文介绍了一种基于相邻性信息的连续实体对齐方法，以实现对知识图谱中不断增长的实体进行快速嵌入表示，并通过回放部分预对齐实体对来更新旧对齐方式以找到新的实体对齐，并验证实验证明，与迭代学习和重新训练的传统实体对齐方式相比，本方法更加高效。

Jul, 2022

TransAlign是一种自动化，使用机器学习的实体对齐方法，不需要手动制作种子对齐，并可在谓词嵌入和实体嵌入中捕捉相似性以及提高精确度。

Oct, 2022

该研究提出了一种基于大型语言模型增强的实体对齐框架（LLMEA），将知识图谱的结构知识与大型语言模型的语义知识相结合，以提升实体对齐的效果。实验结果表明，LLMEA优于其他基线模型，进一步剖析试验证实了我们提出框架的效能。

Jan, 2024