本研究提出KG-TRICK框架，旨在解决多语言知识图谱在非英语语言下的信息不完整问题。通过统一关系和文本信息补全，显著提高了知识图谱的完整性，并推出WikiKGE10++数据集作为基准。

本文探讨了多语言语言模型（MLLMs）在多语言知识图谱（MLKGs）中的应用，提出了轻量级适配器以增强跨语言实体对齐和知识获取。研究表明，适配器模型在强化学习和语言模型之间建立了更好的联系，提升了机器翻译和文本属性图建模的效果，尤其在低资源语言环境中表现突出。

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。