- KDD多源知识图谱上基于联合预训练和本地微调的可迁移表征学习
本文提出了 “联合预训练和本地重新训练” 框架，用于学习和应用多源知识图谱嵌入。旨在利用不同的知识图谱，改善知识图谱嵌入和下游任务。通过实体对齐构建链接的子图，通过三级知识蒸馏进行重新训练，实现知识的传递，生成更具表现力的嵌入。该框架在广泛 - 重访和超越实体对齐：生成模型的视角
本文从生成模型的角度研究了基于嵌入的实体对齐（EEA），理论上证明了生成对抗网络（GAN）方法的有效性，并提出了基于互相变分自编码器（M-VAE）的生成 EEA（GEEA）框架，可以在实体对齐和实体合成任务中产生新实体。
- ACL从对齐到蕴涵：面向实体对齐的统一文本蕴涵框架
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。
- ACL一种聚合 Gromov-Wasserstein 框架用于无监督知识图谱实体对齐
本文提出了一种使用融合的 Gromov-Wasserstein（FGW）距离的无监督实体对齐框架（FGWEA），通过全面比较实体语义和知识图谱结构，并配合三阶段渐进式优化算法进行计算，实验结果显示其在 14 个不同知识图谱和 5 种语言领域 - 基于三元关注的类型增强集成三元表示用于跨语言实体对齐
本文提出了一种名为 TTEA 的新框架，通过考虑集成三元组的特异性和实体角色特征来克服现有方法中对三元组不可分割性和实体角色多样性的关注不足，利用三元组感知注意力导出集成三元组表示，并使用三元组增强实体来建模三元组元素的角色多样性，在三个现 - OTIEA: 跨语言实体对齐的本体增强三元组内在关联
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 - KDD通过图增强改进知识图谱实体对齐
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。
- SIGIRSEA: 一个可扩展的实体对齐系统
SEA 是一种可伸缩的实体对齐系统，借助于图神经网络作为编码器，在实际应用中进行大规模的实体对齐，其包含六个最新的实体对齐模型，能够加速归一化和评估过程。
- 探索图结构信息用于带悬挂节点案例的实体对齐
本文提出了一种新的实体对齐框架，使用基于图结构的弱优化的图对比学习算法和 PageRank 算法，结合两个学习目标：对比学习和最优传输学习，以利用实体之间的结构相似性来解决具有悬挂实体的实体对齐问题。实验结果表明这种方法在处理传统（宽松）和 - 异构知识图谱上基于 GNN 的实体对齐：新数据集和新方法的反思
本论文通过构建与真实场景相似的高度异质化知识图谱 (HHKG)，并对现有的图神经网络 (GNNs) 实体对齐方法进行实验，发现 GNNs 不能充分利用 HKKG 的结构信息，导致性能不佳。最后，介绍一种简单有效的方法 (Simple-HHE - 多模态知识图谱对齐的实证研究：视觉、推理和对齐
本文提出了一种使用逻辑推理和多模态知识图谱嵌入的新型多模态实体对齐方法 LODEME，它能准确地利用多模态信息，实现对常见多模态知识图谱中图像特征的提取和利用。Lodeme 在包含图像的八个大规模知识图谱对比数据集上实现了最先进的表现。
- WWW面向时间知识图谱的无监督实体对齐
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 - EMNLP通过兼容性指导神经实体对齐
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。
- WSDM面向依赖关系的实体对齐自训练
研究通过利用实体之间的依赖关系来改进自训练策略，从而实现在不需要大量标注映射的情况下，准确和有效地检测来自不同知识图谱的实体对齐。强调提高自我训练方法的正确率，同时建议在智能数据注释方面开展后续研究。
- EventEA：基于事件的知识图谱实体对齐基准测试
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。
- 提高多语言知识和文本建模能力的适配器
本文提出了在多种语言中增强多语言知识图谱 (MLKGs) 的多语言语言模型 (MLLMs) 的轻量级适配器，以利用跨语言实体对齐和从 MLKGs 中获取事实，并在共同基准实验中展示了该增强模型在语言理解任务和知识图谱任务方面的性能优势。
- EMNLPLightEA: 基于三视图标签传播的可扩展、鲁棒和可解释的实体对齐框架
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 Sin - TransAlign：面向知识图谱的自动化有效实体对齐
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。
- COLING一种简单的时间信息匹配机制，用于时态知识图之间的实体对齐
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。
- 实体对齐的冲突感知最优传输伪标记
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。