EARAG实体对齐框架

可解释且精度顶尖

融合知识图谱结构知识与大语言模型推理能力，在给出对齐结果的同时提供人类可理解的解释。

Linyao, Yang · 陈红阳 · Xiao, Wang · 杨晶 · 王飞跃 · 刘晗

Information Fusion 2026

技术优势

检索更准

基于CNN的检索器联合建模多种相似度指标，并捕捉相对排序信息，从而获取高质量候选实体。

提示更干净

精心设计的提示引导LLM不仅判断实体等价性，还生成人类可理解的解释，避免噪声干扰。

可解释

除了给出对齐结果，还生成人类可理解的解释，使用户能理解模型为何做出该判断。

效果更强

在基准数据集上实现最先进的对齐精度，同时兼具可解释性。

应用场景

• 知识图谱融合：用EARAG自动找出不同知识图谱中指代同一实体的节点，为后续融合提供对齐结果和解释。
• 实体解析：在实体解析任务中，EARAG不仅判断实体是否相同，还输出理由，增强结果可信度。
• 语义推理：借助LLM的语义推理能力捕捉实体间的深层语义关联，提升对齐准确率。
• 信息检索：用检索增强的方式获取高质量候选实体，减少噪声，提高对齐检索效率。