IRIS: Reusable Identity Representations from Frozen LLMs for Entity Alignment

📄 arXiv: 2607.25579v1 📥 PDF

作者: Xinran Liu, Shengtao Li, Shouqian Shi, Ge Wang, Xin-Wei Yao

分类: cs.CL, cs.AI

发布日期: 2026-07-28

备注: 9 pages, 1 figure, 3 tables

💡 一句话要点

提出IRIS框架以解决知识图谱实体对齐问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 实体对齐 知识图谱 大型语言模型 身份表示 无训练框架 上下文表示 语义理解

📋 核心要点

  1. 现有的实体对齐方法主要依赖于显式的图结构和文本信息，无法有效处理异构描述下的实体识别和区分。
  2. IRIS框架通过从冻结的LLM中提取身份导向的上下文表示，构建每个实体的独特签名，实现跨知识图谱的直接对齐。
  3. 在四个已建立的EA基准测试中，IRIS的最佳变体在多个数据集上取得了接近完美的对齐准确率，显示出显著的性能提升。

📝 摘要（中文）

实体对齐（EA）旨在识别知识图谱中指向同一现实世界对象的实体。传统的EA方法主要依赖显式图结构和文本字段，往往无法充分理解语义，导致在异构描述下识别同一实体的能力不足。尽管大型语言模型（LLMs）提供了更深层次的实体理解，但现有的基于LLM的EA方法主要用于辅助生成或候选条件决策，未能将这种理解提炼为稳定且可直接比较的身份空间。为了解决这些局限性，本文提出了IRIS（Identity Representations from Internal States），一个无训练的框架，为每个实体构建类似虹膜的签名，编码其独特且稳定的身份特征。IRIS通过从冻结的LLM中引出以身份为导向的上下文表示，形成共享空间，使每个实体能够通过直接相似性比较在不同知识图谱中进行对齐。

🔬 方法详解

问题定义：本文旨在解决知识图谱中实体对齐的问题，现有方法在处理异构描述和相似实体区分时存在不足，导致对齐效果不佳。

核心思路：IRIS框架的核心思路是通过从冻结的LLM中提取身份导向的上下文表示，构建每个实体的独特签名，从而形成一个共享的身份空间，实现跨图谱的直接对齐。

技术框架：IRIS的整体架构包括两个主要模块：首先，从冻结的LLM中提取上下文表示；其次，基于这些表示构建实体的虹膜签名，形成可直接比较的身份特征。

关键创新：IRIS的最大创新在于其无训练的特性和通过冻结LLM提取的身份签名，使得实体对齐不再依赖于特定的图谱对或候选集，显著提高了对齐的灵活性和稳定性。

关键设计：在设计上，IRIS采用了特定的上下文提取策略，确保提取的表示能够充分反映实体的身份特征，同时避免了传统方法中的重复处理和候选依赖问题。具体的参数设置和损失函数设计尚未详细披露。

🖼️ 关键图片

fig_0
img_1
img_2

📊 实验亮点

在实验中，IRIS在四个实体对齐基准测试上表现出色，最佳变体在D-Y-15K V2、DBP-WIKI、ICEWS-WIKI和ICEWS-YAGO数据集上分别达到了100.00、99.38、98.31和97.99的Hits@1分数，显示出显著的性能提升。

🎯 应用场景

该研究的潜在应用领域包括知识图谱的构建与维护、信息检索、推荐系统等。通过提供稳定的实体对齐机制，IRIS能够提升多源数据的整合能力，促进跨领域知识的共享与应用，未来可能在智能问答和语义搜索等领域产生深远影响。

📄 摘要（原文）

Entity alignment (EA) identifies entities across knowledge graphs (KGs) that refer to the same real-world object. Conventional EA methods mainly exploit explicit graph structures and textual fields, which often provide insufficient semantic understanding to recognize the same entity under heterogeneous descriptions and distinguish it from semantically similar entities. Although large language models (LLMs) offer deeper entity understanding, existing LLM-based EA methods largely use this capability for auxiliary generation or candidate-conditioned decisions. Consequently, such understanding is not distilled into a stable and directly comparable identity space, leaving alignment tied to specific KG pairs or candidate sets and requiring repeated processing as the matching context changes. To address these limitations, we propose IRIS (Identity Representations from Internal States), a training-free framework that constructs for each entity an iris-like signature encoding its distinctive and stable identity characteristics. IRIS derives these signatures by eliciting identity-oriented contextual representations from a frozen LLM, thereby forming a shared space in which each entity is encoded once and can be aligned across different KGs through direct similarity comparison, without pair-dependent representation construction or candidate-wise LLM inference. Across four established EA benchmarks and two frozen LLM backbones, the best IRIS variants achieve Hits@1 scores of 100.00, 99.38, 98.31, and 97.99 on D-Y-15K V2, DBP-WIKI, ICEWS-WIKI, and ICEWS-YAGO, respectively.