IRIS: 동결된 LLM에서 추출한 재사용 가능한 개체 표현을 이용한 엔티티 정렬

IRIS: Reusable Identity Representations from Frozen LLMs for Entity Alignment

엔티티 정렬(EA)은 지식 그래프(KG) 내에서 동일한 실제 객체를 참조하는 엔티티를 식별합니다. 기존의 EA 방법은 주로 명시적인 그래프 구조와 텍스트 필드를 활용하지만, 이는 종종 다양한 설명 방식을 가진 동일한 엔티티를 인식하고 의미적으로 유사한 엔티티와 구별하는 데 충분한 의미론적 이해를 제공하지 못합니다. 대규모 언어 모델(LLM)은 더 깊은 수준의 엔티티 이해를 제공하지만, 기존의 LLM 기반 EA 방법은 이러한 능력을 주로 보조적인 생성 또는 후보-조건부 결정에 활용합니다. 결과적으로, 이러한 이해는 안정적이고 직접 비교 가능한 개체 표현 공간으로 통합되지 않아, 정렬이 특정 KG 쌍이나 후보 집합에 의존하게 되고, 매칭 컨텍스트가 변경될 때마다 반복적인 처리가 필요하게 됩니다. 이러한 제한 사항을 해결하기 위해, 우리는 IRIS(Identity Representations from Internal States)라는 새로운 프레임워크를 제안합니다. IRIS는 각 엔티티에 대해 고유하고 안정적인 개체 특징을 인코딩하는 홍채와 유사한 시그니처를 생성합니다. IRIS는 동결된 LLM에서 추출한, 정체성 지향적인 컨텍스트 표현을 사용하여 이러한 시그니처를 얻으며, 이를 통해 각 엔티티가 한 번만 인코딩되고 다양한 KG 간에 직접적인 유사성 비교를 통해 정렬될 수 있는 공유 공간을 형성합니다. 네 가지 표준 EA 벤치마크와 두 개의 동결된 LLM 모델을 사용하여 실험한 결과, IRIS의 최적화된 버전은 D-Y-15K V2, DBP-WIKI, ICEWS-WIKI 및 ICEWS-YAGO 데이터셋에서 각각 Hits@1 점수가 100.00, 99.38, 98.31 및 97.99를 달성했습니다.

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.