EA-Agent：用于实体对齐的结构化多步骤推理代理

实体对齐（EA）旨在识别不同知识图谱（KG）中引用同一现实世界对象的实体，在知识融合和集成中发挥着关键作用。传统的 EA 方法主要依赖于知识表示学习，但其性能在噪声或稀疏监督场景下往往受到限制。最近，大语言模型（LLM）被引入到 EA 中，并通过利用丰富的语义知识取得了显着的改进。然而，现有的基于 LLM 的 EA 方法通常将 LLM 视为黑盒决策者，导致可解释性有限，并且直接使用大规模三元组会大大增加推理成本。为了应对这些挑战，我们提出了 \textbf{EA-Agent}，一种推理驱动的 EA 代理。 EA-Agent 将 EA 制定为具有多步骤规划和执行的结构化推理过程，从而实现可解释的对齐决策。在此过程中，它引入了属性和关系三元组选择器来过滤冗余三元组，然后将其输入 LLM，从而有效解决效率挑战。三个基准数据集上的实验结果表明 EA-Agent 始终优于现有 EA 方法并实现了最先进的性能。源代码可在 https://github.com/YXNan0110/EA-Agent 获取。