本文提出了一种新颖的知识图谱嵌入方法，通过引入虚拟关系原型实体，增强同一关系下实体的语义相似性，从而显著提升实体对齐和知识图谱完成的效果。

实体对齐是多源知识图谱集成的关键。我们提出了一种新型解码方法Triple Feature Propagation（TFP），通过最小化狄利克雷能量进行优化，利用多视图结构信息，显著提升实体对齐效果，计算时间少于6秒，为未来方法设立新基准。

本文介绍了一种新的实体对齐方法，基于嵌入技术。通过研究23种方法，提出了新的知识图谱采样算法，并生成不同异质性和分布的基准数据集进行评估。测试了12种方法，分析其优缺点，并进行了探索性实验，报告了未来研究的初步结果。

实体对齐是整合多源知识图谱的关键。我们提出了一种高效的解码方法Triple Feature Propagation（TFP），通过最小化狄利克雷能量来优化解码过程，利用多视图结构信息提升图的相似性。实验显示，TFP显著改进了实体对齐方法，并在不到6秒的额外计算时间内实现了这些改进，为未来方法的效率和适应性设立了新基准。

MixTEA是一种新型半监督实体对齐方法，通过手动标记映射和概率伪映射指导模型学习，实验证明其有效性和优越性。

本文提出了一种使用GCN学习实体和关系表示的联合学习框架，以改善实体对齐。实验表明，该方法在三个跨语言数据集上优于现有方法。

该文介绍了一种新的知识图谱嵌入方法，通过引入虚拟的关系原型实体来表示连接同一关系的头尾实体的原型，有效鼓励了由同一关系连接的可能在知识图谱中相距较远的实体的全局语义相似性。该方法在实体对齐和知识图谱完成任务上表现优于最新的现有方法。