P-NAL은 두 가지 유형의 논리적 추론 경로를 활용하여 개체 정렬을 수행하며, 이를 통해 효과적이고 해석 가능한 개체 정렬을 달성한다.
본 논문에서는 신경망 모델과 기호적 모델의 장점을 결합한 변분 추론 기반의 새로운 개체 정렬 프레임워크인 NeuSymEA를 제안합니다. NeuSymEA는 두 지식 그래프 간의 개체 정렬 작업에서 높은 성능과 해석 가능성을 동시에 달성합니다.
기존 지식 그래프 개체 정렬 방법의 한계를 극복하기 위해 대규모 언어 모델(LLM)의 배경 지식과 추론 능력을 활용하는 ChatEA 프레임워크를 소개합니다. ChatEA는 KG-코드 변환 모듈을 통해 LLM이 지식 그래프를 이해하고 풍부한 외부 지식을 활용하여 개체 정렬의 정확도를 향상시킵니다.