知识融合包括以下几个部分
本体匹配（ontology matching）
侧重发现模式层等价或相似的类、属性或关系，也成为本体映射（mapping）、本体对齐（alignment）
实体对齐（entity alignment）
侧重发现指称真实世界相同对象的不同实例，也称为实体消解（resolution）、实例匹配（instance matching）
知识融合（knowledge fusion）
一般通过冲突检测、真值发现等技术消解知识图谱融合过程中的冲突，再对知识进行关联与合并，最终形成一个一致的结果
实体对齐
目前在知识融合方面，基于嵌入表示的实体对齐是研究的热点。更多基于嵌入的实体对齐方法可以参考Aminer的文章。
例如：
1. MuGNN[1]
分为两步，①补全缺失的关系来调和结构差异 ②通过pooling技术组合不同通道的输出。
2. RDGCN[2]
通过KG与其对偶关系对应之间的注意力交互来处理关系信息。
3. AliNet[3]
由于相同实体的邻域结构经常是非同构的，综合考虑了邻域和泛邻域的信息。
4. OAG:LinKG[5]
将两个有着上亿级别节点的网络——AMiner和微软学术进行了对齐，这项研究综合利用了LSTM、GNN、哈希等技术，能够高效处理多种类型的节点以及不同类型的信息，并且将对齐效果达到了可以应用的级别（总体F1值96.81）。
知识融合的挑战
1.基于嵌入的深度学习算法结合知识推理（描述逻辑、约束规则）
2.多模态知识图谱融合
3.大规模知识图谱的融合与更新
可用工具
- 实体对齐的前沿算法的开源实现：https://github.com/nju-websoft/OpenEA/
- 本体对齐—Falcon-AO，需要输入owl文件：http://ws.nju.edu.cn/falcon-ao
- 实体对齐—Dedupe，Python库，用户标记极少数据，轻量级的快速训练：pip install dedupe或者https://github.com/datamade/dedupe