传统的实体对齐方法主要通过属性相似度匹配的方式实现，利用有监督学习的机器学习模型，如：决策树、支持向量机、集成学习等。依赖实体的属性信息，通过属性相似度，进行跨平台实体对齐关系的推断。基于知识表示学习的方法通过将知识图谱中的实体和关系都映射低维空间向量，直接用数学表达式来计算各个实体之间相似度，例如transe方法等。
| 年份 |
模型 |
主要思想 |
博文代码 |
论文 |
| 2019 |
SUM LSTM N-gram |
提出两个KG之间的实体对齐框架，由谓词对齐模块、嵌入学习模块、实体对齐模块组成，提出一种新的嵌入模型，将实体嵌入和属性嵌入集成在一起，用来学习对于两个KGs的统一嵌入空间，利用知识图中存在的大量属性三元组，生成属性字符嵌入。属性字符嵌入通过基于实体属性计算实体之间的相似度，将两个知识图中的实体嵌入转移到同一空间。我们使用传递性规则来进一步丰富实体的属性数量，以增强属性字符嵌入。 |
知乎code |
10.Entity Alignment between Knowledge Graphs Using Attribute Embeddings |
| 2020 |
COTSAE |
以前的工作主要集中在通过学习实体在关系三元组和预先对齐的“种子实体”上的嵌入来捕捉实体的结构语义。一些作品也试图结合属性信息来帮助提炼实体嵌入。然而，仍然有许多问题没有被考虑， |
