本文提出了一种用于知识图谱构建的形式化代数框架，通过定义映射关系和代数运算符，为RML等映射语言提供了理论基础。该代数包含源运算符（从数据源提取数据）、扩展运算符（计算新属性）和关系代数运算符（投影、连接等），并给出了将RML转换为代数表达式的算法。基于代数等价规则，可实现优化映射计划的正确性证明。该工作填补了知识图谱映射语言缺乏形式化语义的空白，为后续优化和验证奠定了基础。

本文提出MTransE模型，通过多语言知识图嵌入实现跨语言知识对齐。针对现有跨语言对齐覆盖不足的问题，该模型为每种语言分配独立嵌入空间，并学习跨语言转换函数，同时保留单语嵌入功能。实验表明，线性变换变体在实体匹配（Hits@10达68.53%）和三重对齐验证（准确率94.90%）任务上表现最优，显著优于基线方法。该研究为知识库补全和跨语言应用提供了自动化的解决方案。

本文提出了一种新颖的实体对齐方法TEA，将传统嵌入学习方法转化为基于预训练语言模型的文本蕴含任务。该方法通过统一处理关系三元组和属性三元组为文本序列，利用双向文本蕴含建模实体间细粒度交互。实验表明，在DBPZH-EN等跨语言数据集上，TEA显著优于现有方法，Hits@1达到87.0%，比最佳基线提升4.4%。这一成果为知识图谱对齐提供了新范式，实现了异构信息间的相互增强。

LoRA（Low-Rank Adaptation）是一种高效的模型微调技术，全称“Low-Rank Adaptation of Large Language Models”。它由微软研究团队提出，旨在解决大规模预训练模型微调时的资源消耗问题。LoRA 通过在原始权重矩阵上添加低秩更新矩阵，仅调整少量参数，而非全部权重，从而大幅降低计算和存储需求。这种方法在保持模型性能的同时，极大提升了微调的效率，