双管齐下：将知识图谱和大型语言模型的知识融合用于实体对齐
内容提要
该文综述多语言知识图谱实体对齐研究，涵盖基于嵌入、图神经网络、图注意力、预训练语言模型及大语言模型的方法，如多语言BERT融合实体描述、AutoAlign自动对齐、IMEA多上下文建模，实验表明这些方法优于现有方法。
延伸解读
从嵌入到图神经网络：实体对齐的技术演进
文章梳理了实体对齐方法的演进脉络：早期基于嵌入的方法将实体映射到同一向量空间，但难以充分利用图结构；随后图神经网络（GNN）和图注意力模型被引入，通过聚合邻域信息减少结构损失；近期预训练语言模型和多语言BERT则融合实体描述等文本特征。这一演进显示，单一信息源逐渐让位于多视角融合，以应对多语言知识图谱的异构性。
大语言模型带来的新范式：AutoAlign与IMEA
AutoAlign利用大语言模型构建谓词接近性图，无需手工标注种子对齐即可自动对齐实体，降低了人工成本。IMEA则通过Transformer灵活捕获关系、路径和邻域上下文，并借助软标签编辑将对齐证据注入模型。两者分别代表了自动化与多上下文建模的前沿方向，实验均显示优于现有方法，但文章未讨论其计算开销或对大规模图谱的扩展性。
多语言与跨语言对齐的独特挑战
多语言知识图谱的实体对齐需处理语言差异带来的描述不一致和结构异构。文章提到多语言BERT融合实体描述、共训多语言知识图谱嵌入与文本描述嵌入的半监督方法，以及将三元组转化为文本序列的双向文本蕴含方法。这些方法试图在跨语言场景下捕捉实体联系，但文章未说明各方法在低资源语言上的表现，读者需注意其泛化能力可能受限。
Q&A
多语言知识图谱实体对齐有哪些主流方法？
主流方法包括基于嵌入的方法、基于图神经网络（GNN）的方法、基于图注意力的方法、基于预训练语言模型（如多语言BERT）的方法以及基于大语言模型（如AutoAlign）的方法。
AutoAlign是如何实现全自动实体对齐的？
AutoAlign利用大型语言模型构建谓词接近性图，通过计算实体属性的相似性将两个知识图谱的实体嵌入对齐到同一个向量空间，从而在没有手工标注种子对齐的情况下实现实体对齐。
IMEA模型在实体对齐中有什么创新？
IMEA模型使用Transformer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，还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。
如何利用多语言BERT进行跨语言实体对齐？
使用预训练的多语言BERT模型来融合各个语言中的实体描述，将不同语言的实体编码到同一向量空间中，以寻找源语言和目标语言之间相应实体。
基于GNN的实体对齐方法如何减少损失？
通过三个视角减少子图嵌入中的结构和对齐损失，实验证实了该方法的有效性。
半监督学习在实体对齐中如何应用？
通过共训两种嵌入模型，即一个多语言知识图谱嵌入模型和一个多语言文字描述嵌入模型，进行半监督学习，实验表明性能随共训迭代提高，并具有零样本实体对齐和跨语言知识图谱完成的能力。
