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。

该文介绍了一种无监督的跨语言实体对齐方法，利用深度学习多语言编码器和机器翻译器对知识图谱文本进行编码，并考虑全局与局部对齐策略，生成排名匹配结果。实验结果表明，在跨语言实体对齐任务中，该方法在中文、日文和法文到英文对齐任务中的准确率超过了无监督和半监督类别的最新方法，与有监督方法相比，在日文到英文和法文到英文对齐任务中提高了准确率，在中文到英文对齐任务中略微降低了准确率。