Attr-Int：一种简单有效的异构知识图谱实体对齐框架

本研究提出了一种新颖的框架，通过利用实体的多个视角来学习实体嵌入，增强知识图谱之间的嵌入式实体对齐。

该框架在真实数据集上验证，显著优于现有的嵌入式实体对齐方法。

研究中调查了23种不同的实体对齐方法，并提出了一种新的KG采样算法。

利用属性值编码器将知识图谱分为子图，有效建模各种类型的属性三元组。

提出了一种无监督框架，挖掘知识图谱的旁路信息，提升对齐质量，无需标记数据。

研究提出了Informed Multi-context Entity Alignment (IMEA)模型，使用Transformer捕获关系和上下文，提高实体对齐性能。

对不同实体对齐方法进行了全面分析，讨论了应用场景和局限性。

提出了一种基于时间感知的文字编码算法进行实体对齐，解决了同构图结构和弱异质性的问题。

提出了一种使用融合的Gromov-Wasserstein距离的无监督实体对齐框架，实验结果显示其在多种知识图谱和语言领域中表现优异。

研究提出了一种基于大型语言模型增强的实体对齐框架，结合知识图谱的结构知识与语言模型的语义知识，提升对齐效果。