Principled Representation Learning for Entity Alignment
Zhejiang University（浙江大学）；Nanjing University（南京大学）
基于嵌入的实体对齐（EEA）最近受到了极大的关注。尽管有显着的性能改进，很少有人付出努力，以促进EEA方法的理解。大多数现有的研究都基于这样的假设，即少量的预对齐实体可以作为连接两个KG的嵌入空间的锚。然而，没有人研究这种假设的合理性。为了填补研究空白，我们定义了一个典型的范式抽象现有的EEA方法和分析如何嵌入两个潜在的对齐实体之间的差异是隐含的边界由一个预定义的利润率的评分函数。此外，我们发现这样的界限不能保证足够紧的对齐学习。我们提出了一种新的方法，名为NeoEA，显式学习KG不变和原则性实体嵌入来缓解这个问题。在这个意义上，EEA模型不仅追求基于几何距离的对齐实体的接近度，而且通过消除嵌入分布和底层本体知识的差异来对齐两个KG的神经本体。我们的实验表明，对性能最好的EEA方法的性能一致和显着的改善。
2021-10-21 cs.AI cs.CL
SEG:Seeds-Enhanced Iterative Refinement Graph Neural Network for Entity Alignment
College of Computer；Mathematics Central South University of Forestry；4em College of Computer；Mathematics 4em Central South University of Forestry；3em Department of Computer Science 3em State University of New York 3em New Paltz, New York 12561, USA 4em
针对知识图谱间邻域非同构导致的实体对齐难题，本文提出融合多源数据与迭代种子增强的软标签传播框架SEG，并通过双向加权联合损失提升对齐性能。
2024-10-28 cs.AI cs.CL
Self-Alignment Pretraining for Biomedical Entity Representations
University of Cambridge（剑桥大学）；Monash University（莫纳什大学）；Amazon Alexa（亚马逊Alexa）
尽管通过掩蔽语言模型（MLM）的自监督学习取得了广泛的成功，但在生物医学领域中准确地捕获细粒度的语义关系仍然是一个挑战。这对于实体级任务（如实体链接）至关重要，其中建模实体关系（特别是同义关系）的能力至关重要。为了应对这一挑战，我们提出了SapBERT，这是一种预训练方案，可以自对齐生物医学实体的表示空间。我们设计了一个可扩展的度量学习框架，可以利用UMLS，一个庞大的收集生物医学本体与4M+的概念。与以前基于流水线的混合系统相比，SapBERT为医疗实体链接（MEL）问题提供了一个优雅的一个模型解决方案，在六个MEL基准数据集上实现了新的最先进的（SOTA）。在科学领域，即使没有特定任务的监督，我们也能实现SOTA。与各种特定领域的预训练MLMs（如BioBERT，SciBERT和PubMedBERT）相比，我们的预训练方案有了很大的改进，证明了它的有效性和鲁棒性。
2021-04-07 cs.AI cs.CL cs.LG
ASGEA: Exploiting Logic Rules from Align-Subgraphs for Entity Alignment
School of Computer Science and Engineering, Beihang University（北京航空航天大学计算机科学与工程学院）；College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院）
提出ASGEA框架，通过构建对齐子图并利用路径图神经网络ASGNN整合逻辑规则，增强实体对齐的可解释性，并在EA和MMEA任务上超越现有嵌入方法。
2025-02-25 cs.AI cs.CL
SEA: A Scalable Entity Alignment System
Zhejiang University（浙江大学）；Aalborg University（奥尔堡大学）；Huawei（华为）
本文提出可扩展实体对齐系统SEA，支持大规模GNN训练、加速归一化与评估，并集成六种先进EA模型，使用户在有限计算资源下便捷开展实体对齐研究。
2023-04-14 cs.AI cs.CL cs.IR
Deep Reinforcement Learning for Entity Alignment
Zhejiang University（浙江大学）；Hangzhou Innovation Center, Zhejiang University（浙江大学杭州创新中心）
基于嵌入的方法在最近的实体对齐（EA）研究中引起了越来越多的关注。虽然它们可以提供很大的希望，但仍然有一些限制。最值得注意的是，它们基于余弦相似性来识别对齐的实体，而忽略了嵌入本身的语义。此外，这些方法是短视的，盲目地选择最接近的实体作为目标，并允许多个实体匹配同一候选人。为了解决这些限制，我们将实体对齐建模为顺序决策任务，其中代理顺序地决定两个实体是否匹配或不匹配，基于它们的表示向量。所提出的基于强化学习（RL）的实体对齐框架可以灵活地适应大多数基于嵌入的EA方法。实验结果表明，它始终提高了几个国家的最先进的方法的性能，在Hits@1上的最大改进为31.1%。
2022-03-07 cs.AI
Multi-modal Entity Alignment in Hyperbolic Space
National University of Defense Technology（国防科技大学）
许多与AI相关的任务涉及多种模式的数据交互。将多模态信息融合到知识图中，形成多模态知识图谱，已经成为一种新的趋势。然而，MMKG通常遭受低覆盖率和不完整性。为了缓解这个问题，一个可行的方法是整合其他MMKG的互补知识。为此，虽然可以采用现有的实体对齐方法，但它们在欧几里德空间中操作，并且所得到的欧几里德实体表示可能导致KG的分层结构的大的失真。此外，视觉信息还没有得到很好的利用。针对这些问题，在这项工作中，我们提出了一种新的多模态实体对齐方法，双曲多模态实体对齐（HMEA），它扩展了欧几里德表示双曲面流形。我们首先采用双曲图卷积网络（HGCN）来学习实体的结构表示。关于视觉信息，我们使用densenet模型生成图像嵌入，这些图像嵌入也使用HGCN投影到双曲空间中。最后，我们结合双曲空间中的结构和视觉表示，并使用聚合嵌入来预测潜在的对齐结果。大量的实验和烧蚀研究证明了我们提出的模型及其组件的有效性。
2021-06-07 cs.AI
Cross-platform Product Matching Based on Entity Alignment of Knowledge Graph with RAEA model
The Laboratory for AI-Powered Financial Technologies（人工智能赋能金融科技实验室）；School of Data Science, City University of Hong Kong（数据科学学院）；College of Intelligence and Computing, Tianjin University（智能与计算学院）
本文提出RAEA模型，通过结合属性和关系三元组的交互，提升跨平台产品匹配的准确性。
2025-12-08 cs.AI
Unsupervised Entity Alignment Based on Personalized Discriminative Rooted Tree
State Key Laboratory of Integrated Services Networks, School of Computer Science and Technology, Xidian University（集成服务网络国家重点实验室，计算机科学与技术学院，西安电子科技大学）；Key Laboratory of Intelligent Perception and Image Understanding of Ministry of Education, School of Artificial Intelligence, Xidian University（教育部智能感知与图像理解重点实验室，人工智能学院，西安电子科技大学）；State Key Laboratory of CAD&CG, Zhejiang University（CAD&CG国家重点实验室，浙江大学）
本文提出无监督实体对齐方法UNEA，通过参数化根树采样与树注意力聚合生成个性化实体嵌入，并利用互信息最大化辅助任务缓解分布失真，在无监督EA任务上取得最优性能并超越多个有监督基线。
2025-02-14 cs.AI
A Benchmark and Comprehensive Survey on Knowledge Graph Entity Alignment via Representation Learning
Tsinghua University（清华大学）；The University of Melbourne（墨尔本大学）
在过去的几年里，由于知识库在人工智能应用中的重要作用，研究界和工业界对知识库的兴趣呈指数级增长。实体对齐是丰富知识库的一项重要任务。本文提供了一个全面的辅导型调查代表性实体对齐技术，使用新的方法表示学习。我们提出了一个框架，捕捉这些技术的关键特征，提出了两个数据集，以解决现有的基准数据集的限制，并进行广泛的实验，使用建议的数据集。该框架清楚地说明了这些技术是如何工作的。实验产生的经验性能的技术和各种因素如何影响性能的重要结果。以前的工作没有强调的一个重要的观察是，技术很好地利用属性三元组和关系谓词作为功能脱颖而出的赢家。
2022-05-06 cs.AI
Relation-Aware Neighborhood Matching Model for Entity Alignment
Peking University（北京大学）
实体对齐是知识融合的重要步骤，其目的是将不同知识图谱中具有相同意义的实体连接起来。现有的研究主要集中在学习嵌入的实体，利用结构信息的KG实体对齐。这些方法可以聚集来自相邻节点的信息，但也可能带来来自邻居的噪声。最近，一些研究人员试图成对比较相邻节点以增强实体对齐。然而，他们忽略了实体之间的关系，这也是重要的邻域匹配。此外，现有的方法没有注意到实体对齐和关系对齐之间的积极互动。为了解决这些问题，我们提出了一种新的感知实体对齐的邻域匹配模型RNM。具体来说，我们建议利用邻域匹配来增强实体对齐。除了在匹配邻域时比较相邻节点外，我们还尝试从连通关系中挖掘有用的信息。此外，设计了一个迭代框架，以半监督的方式利用实体对齐和关系对齐之间的积极互动。在三个真实数据集上的实验结果表明，该模型RNM的性能优于现有的方法。
2020-12-15 cs.AI cs.CL
Informed Multi-context Entity Alignment
The University of Queensland（昆士兰大学）；State Key Laboratory for Novel Software Technology, Nanjing University（南京大学计算机软件新技术国家重点实验室）；Hong Kong University of Science and Technology（香港科技大学）
实体对齐是集成多源知识图谱的关键步骤。先前的实体对齐尝试探索了不同的KG结构，如基于邻域和基于路径的上下文，以学习实体嵌入，但它们在捕获多上下文特征方面受到限制。此外，大多数方法直接利用嵌入相似度来确定实体对齐，而不考虑实体和关系之间的全局交互。在这项工作中，我们提出了一个知情的多上下文实体对齐（IMEA）模型来解决这些问题。特别是，我们引入了Transformer来灵活地捕获关系，路径和邻域上下文，并设计整体推理来估计对齐概率的基础上嵌入相似性和关系/实体功能。从整体推理中获得的对齐证据通过所提出的软标签编辑被进一步注入回Transformer中，以通知嵌入学习。在多个基准数据集上的实验结果表明，与现有的最先进的实体对齐方法相比，我们的IMEA模型的优越性。
2022-01-02 cs.AI cs.CL
Ensemble Semi-supervised Entity Alignment via Cycle-teaching
The University of Queensland（昆士兰大学）；Nanjing University（南京大学）；Soochow University（苏州大学）；Hong Kong University of Science and Technology（香港科技大学）
实体对齐是在不同的知识图谱中找到相同的实体。虽然基于嵌入的实体对齐最近取得了显著的进展，训练数据不足仍然是一个关键的挑战。传统的半监督方法也遭受新提出的训练数据中的不正确的实体对齐。为了解决这些问题，我们设计了一个迭代循环教学框架的半监督实体对齐。关键思想是同时训练多个实体对齐模型（称为对齐器），并让每个对齐器迭代地教导其后继者所提出的新实体对齐。我们提出了一种多样性感知的对齐选择方法，为每个对齐器选择可靠的实体对齐。我们还设计了一个冲突解决机制，以解决对齐器的新对齐与其老师的对齐相结合时的对齐冲突。此外，考虑到循环示教顺序的影响，我们精心设计了一种策略，以安排最佳顺序，可以最大限度地提高多个对齐器的整体性能。循环示教过程可以打破每个模型的学习能力的限制，并减少新训练数据中的噪声，从而提高性能。在基准数据集上的大量实验表明，当训练数据不足且新实体对齐存在较多噪声时，循环教学框架的性能明显优于现有模型.
2022-03-12 cs.AI cs.CL
Knowing the No-match: Entity Alignment with Dangling Cases
Nanjing University（南京大学）；University of Southern California（南加州大学）
研究了一种新的知识图谱实体对齐问题集。由于KG拥有不同的实体集合，因此可能存在无法在它们之间找到对齐的实体，从而导致悬空实体的问题。作为对这个问题的第一次尝试，我们构造了一个新的数据集，并设计了一个多任务学习框架，用于实体对齐和悬挂实体检测。框架可以选择放弃预测检测到的悬挂实体的对齐。我们提出了三种基于最近邻距离分布的悬空实体检测技术，即，最近邻分类、边缘排序和背景排序。在检测和移除悬挂实体之后，我们的框架中的合并实体对齐模型可以为剩余实体提供更鲁棒的对齐。综合实验和分析表明，我们的框架的有效性。我们进一步发现，悬挂实体检测模块可以反过来提高对齐学习和最终性能。贡献的资源是公开的，以促进进一步的研究。
2021-06-04 cs.AI cs.CL
TransAlign: Fully Automatic and Effective Entity Alignment for Knowledge Graphs
Tsinghua University（清华大学）；The Chinese University of Hong Kong（香港中文大学）；Universitas Indonesia（印度尼西亚大学）；Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）；The University of Melbourne（墨尔本大学）
知识图谱之间的实体对齐的任务旨在识别来自两个不同知识图谱的表示相同实体的每对实体。许多基于机器学习的方法已经被提出用于该任务。然而，据我们所知，现有的方法都需要手工制作的种子比对，这是昂贵的获得。在本文中，我们提出了第一个全自动对齐方法命名为TransAlign，它不需要任何手动制作的种子对齐。具体来说，对于谓词嵌入，TransAlign构造了一个谓词邻近图，通过学习实体类型的注意力来自动捕获两个KG之间谓词的相似性。对于实体嵌入，TransAlign首先使用TransE独立地计算每个KG的实体嵌入，然后通过基于其属性计算实体之间的相似度来将两个KG的实体嵌入移动到相同的向量空间中。因此，谓词比对和实体比对都可以在没有手动制作的种子比对的情况下完成。TransAlign不仅是全自动的，而且非常有效。使用真实世界KG的实验表明，与最先进的方法相比，TransAlign显著提高了实体对齐的准确性。
2022-10-16 cs.AI cs.CL
Conflict-Aware Pseudo Labeling via Optimal Transport for Entity Alignment
Discipline of Business Analytics（业务分析学科）；The University of Sydney（悉尼大学）；Department of Data Science & AI（数据科学与人工智能系）；Monash University（墨尔本大学）
针对实体对齐中忽略对齐冲突的问题，提出CPL-OT模型，结合全局-局部聚合的嵌入学习与基于最优传输的迭代冲突感知伪标签机制，确保一对一精准对齐，在基准数据集上显著优于现有基线。
2025-05-31 cs.AI cs.LG
Co-training Embeddings of Knowledge Graphs and Entity Descriptions for Cross-lingual Entity Alignment
University of California, Los Angeles（加州大学洛杉矶分校）；Stony Brook University（石溪大学）
多语言知识图谱（KG）嵌入提供了实体和结构化知识的潜在语义表示和跨语言推理，有利于各种知识驱动的跨语言NLP任务。然而，精确地学习这样的跨语言推理通常是阻碍了低覆盖率的实体对齐在许多知识库。由于许多多语言KG也提供实体的文字描述，在本文中，我们介绍了一种基于嵌入的方法，利用弱对齐的多语言KG使用实体描述进行半监督跨语言学习。我们的方法执行两个嵌入模型的联合训练，即多语言KG嵌入模型和多语言文字描述嵌入模型。这些模型是在一个基于维基百科的大型三语数据集上训练的，其中大多数实体对齐对训练来说是未知的。实验结果表明，该方法在实体对齐任务上的性能在每次迭代的协同训练中都有所提高，并最终达到显著超过以前方法的阶段。我们还表明，我们的方法有前途的能力zero-shot实体对齐，跨语言KG完成。
2018-06-18 cs.AI cs.CL
Entity Alignment For Knowledge Graphs: Progress, Challenges, and Empirical Studies
Mastercard India（万事达卡印度公司）；IIT Roorkee（印度理工学院鲁尔基分校）
实体对齐（EA）标识跨数据库引用相同实体的实体。基于知识图谱的嵌入方法近年来已成为EA技术的主流。这种方法将实体映射到低维空间，并基于它们的相似性将它们对齐。随着企业评价方法研究的不断深入，本文对现有的各种评价方法进行了综合分析，阐述了它们的应用和局限性。此外，我们根据它们的底层算法和它们用于学习实体表示的信息来区分这些方法。针对工业数据集面临的挑战，提出了$4$研究问题。这些RQ从\textit{Hubness, Degree distribution, Non-isomorphic neighbourhood,}和\textit{Name bias}的角度对算法进行了经验分析。对于Hubness，其中一个实体变成了许多其他实体的最近邻居，我们定义了一个$h$分数来量化其对各种算法性能的影响。此外，我们试图通过创建一个低名称偏差数据集，为主要依赖于基准开源数据集中存在的名称偏差的算法提供公平的竞争环境。我们进一步创建了一个开放源代码库的$14$嵌入式EA方法，并提出了分析调用进一步的研究动机在EA领域。
2022-05-18 cs.AI
Large-scale Entity Alignment via Knowledge Graph Merging, Partitioning and Embedding
The University of Queensland（昆士兰大学）；Nanjing University（南京大学）；Soochow University（苏州大学）；Hong Kong University of Science and Technology（香港科技大学）
实体对齐是知识图谱融合中的一项关键任务。然而，大多数实体对齐方法都存在可扩展性问题。最近的方法通过将大KG划分为小块以在每个块中进行嵌入和对齐学习来解决这个问题。然而，这样的划分和学习过程导致结构和对齐的过度损失。因此，在这项工作中，我们提出了一个可扩展的基于GNN的实体对齐方法，以减少结构和对齐损失从三个方面。首先，我们提出了一个基于中心的子图生成算法，召回一些地标实体作为不同子图之间的桥梁。其次，我们引入了自监督实体重建，从不完整的邻域子图中恢复实体表示，并设计了交叉子图负采样，将其他子图中的实体纳入对齐学习。第三，在推理过程中，我们合并子图的嵌入，以形成一个单一的对齐搜索空间。在OpenEA基准数据集和DBpedia1M大型数据集上的实验结果验证了该方法的有效性。
2022-08-23 cs.AI cs.LG
DERA: Dense Entity Retrieval for Entity Alignment in Knowledge Graphs
Beijing Normal University（北京师范大学）
本文提出稠密实体检索框架DERA，利用语言模型统一编码知识图谱实体的结构与属性特征，通过检索加重排序实现实体对齐，在跨语言和单语言数据集上取得最优性能。
2024-08-02 cs.AI cs.CL
A Fused Gromov-Wasserstein Framework for Unsupervised Knowledge Graph Entity Alignment
Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；Hong Kong University of Science and Technology（香港科技大学）；Tencent AI Lab（腾讯人工智能实验室）；Beijing Institute of Technology（北京理工大学）
提出FGWEA无监督框架，利用融合Gromov-Wasserstein距离联合优化实体语义与知识图谱结构，通过三阶段渐进算法，在无监督和无需调参下超越21个基线方法。
2023-05-11 cs.AI cs.CL
MCSFF: Multi-modal Consistency and Specificity Fusion Framework for Entity Alignment
College of Computer and Mathematics（计算机与数学学院）；Central South University of Forestry and Technology（中南林业科技大学）
本文提出MCSFF框架，通过同时利用多模态的一致性与特异性，结合迭代去噪增强和特征融合，在MMKG数据集上超越现有最优MMEA方法，提升实体对齐精度。
2024-10-18 cs.AI
MyGram: Modality-aware Graph Transformer with Global Distribution for Multi-modal Entity Alignment
MyGram通过模态感知图变换器与全局分布机制，提升多模态实体对齐的性能。
2026-01-17 cs.AI
Visual Pivoting for (Unsupervised) Entity Alignment
University of Cambridge（剑桥大学）；University of Pennsylvania（宾夕法尼亚大学）；University of Southern California（南加州大学）
本文研究了在异构知识图谱（KG）中使用视觉语义表示来对齐实体。图像是许多现有幼儿园的自然组成部分。通过将视觉知识与其他辅助信息相结合，我们表明，所提出的新方法，EVA，创建一个整体的实体表示，交叉图实体对齐提供了强有力的信号。此外，以前的实体对齐方法需要人工标记的种子对齐，限制了可用性。EVA通过利用实体的视觉相似性来创建初始种子字典（视觉枢轴），提供了一个完全无监督的解决方案。在基准数据集DBP15k和DWY15k上的实验表明，EVA在单语和跨语言实体对齐任务上都提供了最先进的性能。此外，我们发现，图像是特别有用的，以调整长尾KG实体，这本身就缺乏必要的结构背景捕捉的对应关系。
2020-12-17 cs.AI cs.CL
Attr-Int: A Simple and Effective Entity Alignment Framework for Heterogeneous Knowledge Graphs
针对异构知识图谱中实体对齐因结构非同构而失效的问题，提出Attr-Int框架，通过属性信息交互方法提升对齐性能，并在两个新基准上超越现有最优方法。
2024-11-04 cs.AI cs.CL
Two Heads Are Better Than One: Integrating Knowledge from Knowledge Graphs and Large Language Models for Entity Alignment
Zhejiang Lab（之江实验室）；Anhui University（安徽大学）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；Dalian University of Technology（大连理工大学）
本研究提出LLMEA框架，结合知识图谱的结构知识与大语言模型的语义知识，通过嵌入相似度、编辑距离识别候选对齐，迭代调用大语言模型做多项选择推理完成实体对齐，在三个公开数据集上超越领先基线模型。
2024-01-30 cs.AI cs.CL
Neuro-Symbolic Entity Alignment via Variational Inference
Department of Computing（计算系）；The Hong Kong Polytechnic University（香港理工大学）
本文提出神经符号框架 NeuSymEA，通过 Markov 随机场、变分 EM 与逻辑演绎推理融合规则和神经模型，在跨知识图谱实体对齐及低资源场景中取得显著性能提升。
2025-09-29 cs.AI
Dangling-Aware Entity Alignment with Mixed High-Order Proximities
National University of Singapore（新加坡国立大学）；Nanjing University（南京大学）；Alibaba Group（阿里巴巴集团）；University of Southern California（南加州大学）
本文研究了知识图谱中的悬挂感知实体对齐问题。由于不同的KG自然地由不同的实体集合构成，因此KG通常包含一些在其他KG中找不到对应物的悬挂实体。因此，悬垂感知实体对齐比传统的实体对齐更现实，在传统的实体对齐中，先前的研究简单地忽略了悬垂实体。我们提出了一个框架，使用混合高阶近似的悬垂感知实体对齐。我们的框架利用了本地的高阶接近最近邻子图和嵌入空间中的全局高阶接近悬空检测和实体对齐。两个评估设置的广泛实验表明，我们的框架更精确地检测悬空实体，更好地对齐匹配的实体。进一步的研究表明，我们的框架可以减轻hubness问题的悬垂感知实体对齐。
2022-05-05 cs.AI cs.CL cs.LG
Unsupervised Robust Cross-Lingual Entity Alignment via Neighbor Triple Matching with Entity and Relation Texts
Yonsei University（延世大学）；Korea University（高丽大学）
针对跨语言实体对齐中获取标签困难及现有无监督方法的局限，本文提出ERAlign，通过邻居三元组匹配联合实体和关系文本语义，实现无监督鲁棒对齐，提升精度并增强对噪声的抵抗能力。
2025-02-12 cs.AI cs.CL
Query-Conditioned Knowledge Alignment for Reliable Cross-System Medical Reasoning
Shenzhen Institute for Advanced Study, University of Electronic Science and Technology of China（深圳先进研究院，电子科技大学）；Department of Electrical and Computer Engineering, University of Waterloo（滑铁卢大学电气与计算机工程系）；School of Computer Science and Engineering, Kyungpook National University（庆北国立大学计算机科学与工程学院）
本文提出了一种基于查询的知识对齐方法QCEA，通过将实体对齐问题转化为查询条件下的对应关系问题，以提升跨系统医学推理的可靠性，主要贡献是引入了方向感知变换模块以捕捉异构知识系统中的非对称和多对多对应关系。
2026-05-18 cs.AI
RAGA: Relation-aware Graph Attention Networks for Global Entity Alignment
School of Software and Microelectronics, Peking University（北京大学软件与微电子学院）；National Engineering Research Center for Software Engineering, Peking University（北京大学国家软件工程研究中心）；Key Laboratory of High Confidence Software Technologies (PKU), Ministry of Education（教育部高可信软件技术重点实验室（北京大学））
实体对齐是从不同的知识图谱中发现涉及同一真实世界对象的实体的任务，是集成多源知识图谱的关键步骤。现有的基于嵌入的实体对齐方法大多是将实体和关系嵌入到基于KG关系三元组的向量空间中进行局部对齐。由于这些方法没有充分考虑实体之间的多重关系，知识库的结构信息没有得到充分利用。在本文中，我们提出了一个新的框架的基础上，感知图注意力网络捕捉实体和关系之间的相互作用。我们的框架采用自我注意力机制将实体信息传播给关系，然后将关系信息聚合回实体。此外，我们提出了一个全局对齐算法，使一对一的实体对齐与细粒度的相似性矩阵。三个真实世界的跨语言数据集上的实验表明，我们的框架优于国家的最先进的方法。
2021-03-01 cs.AI cs.CL
Combating Confirmation Bias: A Unified Pseudo-Labeling Framework for Entity Alignment
本文提出统一伪标签实体对齐框架 UPL-EA，通过最优传输伪标签和并行伪标签集成消除确认偏误，在 15 个基线上验证了其优越性。
2025-07-02 cs.AI cs.CL cs.LG
Jointly Learning Knowledge Embedding and Neighborhood Consensus with Relational Knowledge Distillation for Entity Alignment
Tsinghua University（清华大学）
实体对齐的目的是整合来自不同知识图谱的异构知识。最近的研究采用基于嵌入的方法，首先学习的知识图谱的表示，然后通过测量实体嵌入之间的相似性进行实体对齐。然而，由于学习知识嵌入和邻域一致性的不同目标导致的权衡问题，它们未能很好地利用关系语义信息。为了解决这个问题，我们提出了关系知识蒸馏实体对齐（RKDEA），图卷积网络（GCN）为基础的模型配备了知识蒸馏实体对齐。我们采用基于GCN的模型来学习实体的表示，考虑图的结构，并通过知识蒸馏将关系语义信息纳入GCN。然后，我们引入了一种新的自适应机制来传递关系知识，从而共同学习实体嵌入和邻域一致性。在多个基准数据集上的实验结果证明了该模型的有效性。
2022-01-25 cs.AI cs.CL cs.LG
Multi-view Knowledge Graph Embedding for Entity Alignment
Nanjing University（南京大学）；University of California, Los Angeles（加州大学洛杉矶分校）
研究了基于嵌入的知识图谱实体对齐问题。以前的工作主要集中在实体的关系结构。一些进一步结合另一种类型的特征，例如属性，用于细化。然而，大量的实体特征仍然没有被探索或没有被平等地对待在一起，这削弱了基于嵌入的实体对齐的准确性和鲁棒性。在本文中，我们提出了一个新的框架，统一实体的多个视图来学习嵌入实体对齐。具体来说，我们嵌入实体的基础上的实体名称，关系和属性的意见，与几个组合策略。此外，我们设计了一些跨KG推理方法，以提高两个KG之间的对齐。我们在真实世界数据集上的实验表明，该框架显着优于最先进的基于嵌入的实体对齐方法。选择的观点、跨KG推理和组合策略都有助于绩效的提高。
2019-06-06 cs.AI cs.CL cs.LG
EventEA: Benchmarking Entity Alignment for Event-centric Knowledge Graphs
Nanjing University（南京大学）
实体对齐是指在不同的知识图谱（KG）中找到引用相同现实世界对象的相同实体。基于嵌入的实体对齐技术由于能够解决不同知识库中的符号异构问题而受到广泛关注。然而，在本文中，我们表明，在过去取得的进展是由于偏见和不具挑战性的评价。我们强调了现有数据集中的两个主要缺陷，这些缺陷有利于基于嵌入的实体对齐技术，即，关系三元组的同构图结构和属性三元组的弱异质性。为了对基于嵌入的实体对齐方法进行批判性评估，我们基于以事件为中心的KG构建了一个具有异构关系和属性的新数据集。我们进行了广泛的实验，以评估现有的流行的方法，并发现他们未能实现有前途的性能。作为一种新的方法，这个困难的问题，我们提出了一个时间感知的文字编码器的实体对齐。数据集和源代码是公开的，以促进未来的研究。我们的工作需要更有效和实用的基于嵌入的解决方案，以实体对齐。
2022-11-05 cs.AI cs.CL cs.LG
Cross-lingual Entity Alignment via Joint Attribute-Preserving Embedding
State Key Laboratory for Novel Software Technology, Nanjing University（南京大学计算机软件新技术国家重点实验室）；Department of Computer Science and Engineering, University of Texas at Arlington（德克萨斯大学阿灵顿分校计算机科学与工程系）
实体对齐是在两个知识库（KB）中找到表示相同现实世界对象的实体的任务。当面对不同自然语言的知识库时，传统的跨语言实体对齐方法依赖于机器翻译来消除语言障碍。这些方法往往受到不同语言之间翻译质量参差不齐的影响。虽然最近的基于嵌入的技术在KB中编码实体和关系，并且不需要机器翻译来进行跨语言实体对齐，但是大量的属性仍然在很大程度上未被探索。在本文中，我们提出了一个跨语言实体对齐的联合属性保持嵌入模型。它将两个知识库的结构联合嵌入到一个统一的向量空间中，并通过利用知识库中的属性相关性对其进行进一步细化。我们在真实世界数据集上的实验结果表明，这种方法显着优于最先进的跨语言实体对齐嵌入方法，并可以与基于机器翻译的方法进行补充。
2017-09-26 cs.AI cs.CL cs.DB
EABlock: A Declarative Entity Alignment Block for Knowledge Graph Creation Pipelines
TIB Leibniz Information Center for Science and Technology（莱布尼茨科学技术信息中心（TIB））；Leibniz University of Hannover（汉诺威莱布尼茨大学）；L3S Research Center（L3S研究中心）
尽管编码了大量丰富而有价值的数据，但现有的数据源大多是独立创建的，这对它们的集成构成了重大挑战。映射语言，例如，RML和R2 RML促进了应用元数据和将数据集成到知识图谱中的过程的声明性规范。映射规则除了表达数据源和统一模式之间的对应关系之外，还可以包括知识提取功能。组合映射规则和函数代表了一种强大的形式主义，用于指定用于将数据透明地集成到知识图谱中的管道。令人惊讶的是，这些形式主义并没有完全适应，许多知识图谱是通过执行临时程序来预处理和整合数据而创建的。在本文中，我们提出了EABlock，一种集成实体对齐（EA）作为RML映射规则的一部分的方法。EABlock包括从文本属性执行实体识别的功能块，并将识别出的实体链接到Wikidata、DBpedia和特定领域的词库中的相应资源，例如，UMLS。EABlock提供了不可知的和有效的技术来评估函数和传输映射，以促进其在任何RML兼容的引擎中的应用。我们对EABlock性能进行了经验评估，结果表明EABlock可以加快知识图谱创建管道的速度，这些管道需要在最先进的RML兼容引擎中进行实体识别和链接。EABlock也可以通过GitHub存储库（https：//github.com/SDM-TIB/EABlock）和DOI（https：//doi.org/10.5281/zenodo.5779773）作为工具公开使用。
2021-12-15 cs.AI
Type-enhanced Ensemble Triple Representation via Triple-aware Attention for Cross-lingual Entity Alignment
Tongji University（同济大学）
针对现有实体对齐方法忽略三元组不可分割性与实体角色多样性的问题，提出TTEA框架，以关系为信息载体结合三元组注意力与实体增强，在三个跨语言数据集上性能优于SOTA方法。
2023-05-02 cs.AI cs.CL
Cross-lingual Entity Alignment with Incidental Supervision
多语言知识图谱（KG）嵌入方法是解决实体对齐问题的一个重要研究方向，它试图匹配不同语言特定KG中的实体，这些KG中的实体都指向同一个真实世界的对象。这样的方法经常受到KG之间提供的种子比对不足的阻碍。因此，我们提出了一个附带的监督模型，JEANS，它共同代表多语言KG和文本语料库中的共享嵌入方案，并试图提高实体对齐与附带的监督信号从文本。JEANS首先部署一个实体接地过程，将每个KG与单语文本语料库相结合。然后，进行两个学习过程：（i）嵌入学习过程，以在一个嵌入空间中对每种语言的KG和文本进行编码;以及（ii）基于自学习的对齐学习过程，以迭代地诱导嵌入之间的实体匹配和词汇匹配。在基准数据集上的实验表明，JEANS在附带监督的实体对齐方面取得了令人鼓舞的改进，并且显著优于仅依赖KG内部信息的最新方法。
2021-01-26 cs.AI cs.CL cs.IR
Boosting the Speed of Entity Alignment 10*: Dual Attention Matching Network with Normalized Hard Sample Mining
East China Normal University（华东师范大学）；Alibaba Group（阿里巴巴集团）
在多源知识图谱之间寻找等价实体是知识图集成的关键步骤，也称为\emph{entity alignment}（EA）。然而，大多数现有的EA方法是低效的，可扩展性差。最近的一份摘要指出，其中一些甚至需要几天时间来处理包含20万个节点的数据集（DWY 100 K）。我们认为，图编码器过于复杂和负采样策略效率低下是两个主要原因。本文提出了一种新颖的KG编码器--双注意力匹配网络（Dual-AMN），它不仅能灵活地对图内和图间信息进行建模，而且大大降低了计算复杂性。此外，我们还提出了归一化硬样本挖掘损失，以减少损失漂移，顺利地选择硬负样本。在广泛使用的公共数据集上的实验结果表明，该方法实现了高精度和高效率。在DWY 100 K上，我们的方法的整个运行过程可以在1,100秒内完成，比以前的工作至少快10倍。我们的方法在所有数据集上的性能也优于以前的作品，其中Hits@1和MRR从6%提高到13%。
2021-03-29 cs.AI
Towards Entity Alignment in the Open World: An Unsupervised Approach
National University of Defense Technology（国防科技大学）；Xi’an Jiaotong University（西安交通大学）
实体对齐旨在发现不同知识图谱中的等价实体。这是整合幼儿园以增加知识覆盖面和质量的关键一步。近年来，EA框架迅速增加。然而，最先进的解决方案往往依赖于标记数据进行模型训练。此外，它们在封闭域设置下工作，不能处理不可匹配的实体。为了解决这些缺陷，我们提供了一个无监督的框架，在开放世界中执行实体对齐。具体来说，我们首先挖掘有用的功能，从侧信息的KG。然后，我们设计了一个不可匹配的实体预测模块，过滤掉不可匹配的实体，并产生初步的对齐结果。这些初步结果被视为伪标记数据并转发到渐进式学习框架以生成结构表示，该结构表示与边信息集成以提供更全面的对齐视图。最后，渐进式学习框架逐渐提高结构嵌入的质量，并通过使用前一轮的对齐结果丰富伪标记数据来增强对齐性能。我们的解决方案不需要标记的数据，可以有效地过滤掉不匹配的实体。综合实验评价验证了其优越性。
2021-01-26 cs.AI cs.CL
LLM-Align: Utilizing Large Language Models for Entity Alignment in Knowledge Graphs
School of Artificial Intelligence, Beijing Normal University（北京师范大学人工智能学院）；Engineering Research Center of Intelligent Technology and Educational Application, Ministry of Education（教育部智能技术与教育应用工程研究中心）
针对现有实体对齐方法语义理解不足的问题，本文提出 LLM-Align，利用 LLM 的零样本指令遵循能力，结合启发式三元组选择与多轮投票机制实现实体对齐，并在三个数据集上达到最先进性能。
2024-12-06 cs.AI cs.CL
MEAformer: Multi-modal Entity Alignment Transformer for Meta Modality Hybrid
Zhejiang University（浙江大学）；The University of Manchester（曼彻斯特大学）；The University of Edinburgh（爱丁堡大学）；Huawei Technologies Ltd（华为技术有限公司）
本文提出MEAformer，通过动态预测模态间互相关系数实现细粒度实体级模态融合，解决多模态实体对齐中模态偏好变化与噪声鲁棒性问题，在多种训练场景下达到SOTA性能。
2023-07-30 cs.AI cs.CL
A Simple Temporal Information Matching Mechanism for Entity Alignment Between Temporal Knowledge Graphs
East China Normal University（华东师范大学）；Guizhou University（贵州大学）；Shanghai Transsion Co., Ltd（上海传音有限公司）
实体对齐（EA）的目的是在不同的知识图谱（KG）中找到实体，这些知识图谱涉及现实世界中的同一对象。最近的研究纳入时间信息，以增加代表性的KG。现有的时态知识库之间的EA方法利用时间感知的注意力机制将关系和时态信息结合到实体嵌入中。通过使用时间信息，该方法优于以前的方法。然而，我们认为，它是没有必要学习的时间信息的嵌入在KG，因为大多数TKG有统一的时间表示。因此，我们提出了一个简单的图神经网络（GNN）模型结合了时间信息匹配机制，它实现了更好的性能与更少的时间和更少的参数。此外，由于在现实世界的应用中，对齐种子是很难标记，我们还提出了一种方法来生成无监督对齐种子通过时间信息的TKG。在公共数据集上的大量实验表明，我们的监督方法显着优于以前的方法和无监督的一个具有竞争力的性能。
2022-09-20 cs.AI cs.CL
Joint Multimodal Entity-Relation Extraction Based on Edge-enhanced Graph Alignment Network and Word-pair Relation Tagging
South China University of Technology（华南理工大学）；The Peng Cheng Laboratory（鹏城实验室）；Yunnan University（云南大学）；The Hong Kong Polytechnic University（香港理工大学）
多模态命名实体识别（MNER）和多模态关系抽取（MRE）是多模态知识图谱构建任务中的两个基本子任务。然而，现有的方法通常独立地处理两个任务，这忽略了它们之间的双向交互。本文首次提出联合执行MNER和MRE作为一个联合的多模态实体-关系抽取任务（JMERE）。此外，现有的MNER和MRE模型只考虑了视觉图形和文本图形中的视觉对象与文本实体的对齐，而忽略了实体与实体之间以及对象与对象之间的关系。为了解决上述挑战，我们提出了一个边缘增强的图对齐网络和词对关系标记（EEGA）的JMERE任务。具体来说，我们首先设计了一个词对关系标记，利用MNER和MRE之间的双向交互，并避免错误传播。然后，我们提出了一个边增强的图对齐网络，通过对齐交叉图中的节点和边来增强JMERE任务。与已有的方法相比，该方法能够利用边缘信息辅助实体与对象之间的对齐，并发现实体与实体之间以及对象与对象之间的关系。实验结果表明了该模型的有效性。
2023-02-18 cs.AI cs.CL cs.MM
Entity-Aware Biaffine Attention Model for Improved Constituent Parsing with Reduced Entity Violations
Henan Institute of Technology（河南科技学院）
针对成分句法分析中的实体违规问题，提出实体感知双仿射注意力模型，通过引入实体角色向量提升分析准确率，并使用新指标EVR量化违规程度，在多数据集上实现最低EVR且保持高F1分数。
2024-11-12 cs.AI cs.CL
OntoEA: Ontology-guided Entity Alignment via Joint Knowledge Graph Embedding
Tencent Jarvis Lab（腾讯天衍实验室）；Tencent（腾讯）；University of Oxford（牛津大学）
语义嵌入已被广泛研究用于对齐知识图谱（KG）实体。目前的方法已经探索和利用了图结构，实体名称和属性，但忽略了本体（或本体模式），其中包含关键的Meta信息，如类和它们与实体的成员关系。在本文中，我们提出了一个本体指导的实体对齐方法命名为OntoEA，其中两个KG和它们的本体联合嵌入，类层次结构和类不相交性，以避免错误的映射。在七个公共和工业基准上的广泛实验证明了OntoEA的最新性能和本体的有效性。
2021-05-24 cs.AI cs.CL cs.LG
RNN Transducers for Nested Named Entity Recognition with constraints on alignment for long sequences
Google Brain（谷歌大脑）
命名实体识别（NER）的流行解决方案包括条件随机场、序列到序列模型或利用问答框架。然而，它们不适合嵌套和重叠的跨度与大本体和预测的实体的位置。为了填补这一空白，我们引入了一个新的模型NER任务-RNN转换器（RNN-T）。这些模型使用成对的输入和输出序列进行训练，而不明确指定它们之间的比对，类似于其他seq-to-seq模型。RNN-T模型使用对所有比对求和的损失函数来学习比对。然而，在NER任务中，单词和目标标签之间的对齐可以从人类注释中获得。我们提出了一个固定对齐的RNN-T模型，它利用了给定的对齐，同时保留了RNN-T的优点，例如对输出依赖关系进行建模。作为一个更一般的情况下，我们还提出了一个约束对齐模型，用户可以指定一个给定的输入对齐的放松和模型将学习给定的约束内的对齐。换句话说，我们提出了一系列seq-to-seq模型，这些模型可以在可用时利用输入序列和目标序列之间的比对。通过对具有多个嵌套本体的具有挑战性的现实世界医疗NER任务的实证实验，我们证明了我们的固定比对模型优于标准RNN-T模型，将F1分数从0.70提高到0.74。
2022-02-08 cs.AI cs.CL
ActiveEA: Active Learning for Neural Entity Alignment
The University of Queensland（昆士兰大学）；Neusoft Research of Intelligent Healthcare Technology, Co. Ltd.（东软智能医疗科技研究有限公司）
实体对齐是知识图谱融合的重要步骤，其目的是在不同的知识图谱中匹配等价的实体。目前的主流方法--神经EA模型--依赖于种子对齐的训练，即，一组预对齐的实体对，其注释成本非常高。在本文中，我们设计了一个新的主动学习（AL）框架的神经EA，旨在创建高度信息种子对齐，以获得更有效的EA模型，以更少的注释成本。我们的框架解决了将AL应用于EA时遇到的两个主要挑战：（1）如何利用AL策略中实体之间的依赖关系。大多数AL策略假设要采样的数据实例是独立且同分布的。然而，幼儿园中的实体是相关的。为了解决这一挑战，我们提出了一个结构感知的不确定性抽样策略，可以衡量每个实体的不确定性，以及它对KG中相邻实体的影响。(2)如何识别出现在一个KG中但未出现在另一个KG中的实体（即，单身汉）。识别单身汉可能会节省注释预算。为了解决这个问题，我们设计了一个单身汉识别器，注意减轻采样偏差的影响。实验结果表明，我们提出的AL策略可以显着提高采样质量，具有良好的通用性，在不同的数据集，EA模型和单身汉的数量。
2021-10-13 cs.AI cs.CL
IRIS: Reusable Identity Representations from Frozen LLMs for Entity Alignment
研究实体对齐问题，传统方法语义理解不足，基于LLM的方法未形成稳定身份空间。提出IRIS框架，从冻结LLM提取上下文表示构建实体签名，形成共享空间实现跨图谱对齐，在多个基准测试中取得良好成绩。
2026-07-29 cs.AI cs.CL
ESNERA: Empirical and semantic named entity alignment for named entity dataset merging
针对命名实体识别（NER）数据集合并方法缺乏可解释性和可扩展性的问题，提出一种结合经验与语义相似度的自动标签对齐方法，有效实现了多源数据集合并并提升了低资源金融领域的NER性能。
2025-08-09 cs.AI cs.CL
Leveraging Intra-modal and Inter-modal Interaction for Multi-Modal Entity Alignment
School of Computer；Information Technology Shanxi University Taiyuan China；School of Computer Science；Informatics Cardiff University Cardiff UK；ILCC, School of Informatics University of Edinburgh Edinburgh UK；Information Technology Shanxi University；Informatics Cardiff University；ILCC, School of Informatics University of Edinburgh
提出多粒度交互框架MIMEA，通过模态知识嵌入、概率引导融合、最优传输对齐与模态自适应对比学习四个模块实现模态内与模态间交互，有效解决了多模态知识图中的实体对齐问题。
2024-04-19 cs.AI cs.IR
A Benchmarking Study of Embedding-based Entity Alignment for Knowledge Graphs
Nanjing University（南京大学）；University of California, Los Angeles（加利福尼亚大学洛杉矶分校）；University of Texas at Arlington（德克萨斯大学阿灵顿分校）
实体对齐寻求在不同的知识图谱（KG）中找到引用相同现实世界对象的实体。KG嵌入的最新进展推动了基于嵌入的实体对齐的出现，该实体对齐在连续的嵌入空间中对实体进行编码，并基于学习到的嵌入来测量实体的相似性。在本文中，我们对这一新兴领域进行了全面的实验研究。我们调查了23个最近的基于嵌入的实体对齐方法，并根据它们的技术和特点对它们进行分类。我们还提出了一个新的KG抽样算法，我们生成了一组专用的基准数据集与各种异质性和分布的现实评估。我们开发了一个开源库，包括12个代表性的基于嵌入的实体对齐方法，并广泛评估这些方法，以了解他们的优势和局限性。此外，对于目前方法中尚未探索的几个方向，我们进行了探索性实验，并报告了我们的初步研究结果。基准数据集、开放源代码库和实验结果均可在线查阅，并将得到适当维护。
2020-07-20 cs.AI cs.CL cs.DB
AlignNet: Unsupervised Entity Alignment
DeepMind
最近开发的深度学习模型能够在没有监督的情况下学习将场景分割成组件对象。这开辟了许多新的和令人兴奋的研究途径，允许代理将对象（或实体）作为输入，而不是像素。不幸的是，尽管这些模型提供了对单个帧的出色分割，但它们并不跟踪在一个时间步处分割的对象如何与在稍后时间步处的对象相对应（或对齐）。对齐（或对应）问题阻碍了在下游任务中使用对象表示的进展。在本文中，我们采取措施解决对齐问题，提出了AlignNet，一个无监督对齐模块。
2020-07-21 cs.AI cs.CV cs.LG
