给每个实体拍一张「身份签名」：IRIS 用冻结 LLM 把知识图谱对齐做到了 100% Hits@1

做过知识图谱实体对齐的人大概都遇到过这种场景：两个图谱指向同一个实体，但名字、描述角度甚至语言都不一样。传统方法翻来覆去就是文本相似度、图结构匹配，碰上「字节跳动」和「ByteDance」这种同实异名的组合基本歇菜。后来有人拿 LLM 来帮忙判断，理解能力确实上来了，但每来一个新候选集就得把 LLM 重新跑一遍，贵且慢，而且判断逻辑跟具体候选集绑死了，换一组就得重来。

这个月初 arXiv 上有一篇论文直接奔着这个「复用」问题去的。IRIS（Reusable Identity Representations from Frozen LLMs for Entity Alignment）思路不复杂，但结果有点吓人——在四个标准基准上 Hits@1 分别跑了 100.00、99.38、98.31 和 97.99。

一次编码，到处比对

IRIS 这个名字起得有意思，就是虹膜。虹膜识别每人一道纹路，换了环境还是那道纹。论文做的事逻辑上确实类似：给知识图谱里每个实体生成一个固定的身份签名，不同图谱之间要对齐，直接拿签名比对就行，不再需要做候选集相关的推理，也不用每来一个新 pair 就调一次 LLM。

具体做法是用一个冻结的 LLM（不需要微调），从模型内部状态里提取面向身份特征的上下文表征。每个实体只编码一次，拿到一个固定维度的签名向量。两个图谱做对齐时，直接算这些签名之间的相似度距离，排序选 top-1。论文在 D-Y-15K V2、DBP-WIKI、ICEWS-WIKI、ICEWS-YAGO 四个基准上做了评测，用的 LLM backbone 也是冻结的、现成的。

这个思路最直接的实际好处是：对齐成本变成了一次性的编码成本。新图谱进来，先对所有实体做一次编码拿到签名，然后跟已有图谱的签名库做向量检索就行。不需要为每一组候选 pair 单独跑 LLM 推理，也不需要为每一对新旧图谱重新训练模型。编码是一次性的，比对是轻量的。

Hits@1 100% 意味着什么

看到 100% Hits@1 这个数字，第一反应肯定是「是不是任务太简单了」或者「数据有没有泄露」。论文目前还是 arXiv preprint，没走完 peer review，代码也还没放出来（至少论文页面上没看到链接），所以留着这个怀疑是合理的。但从方法论上看，IRIS 做的本质是给每个实体产出一个足够有区分度的向量表征，让同一个实体在不同图谱里的签名足够相似、不同实体之间的签名足够远。如果这个向量空间真的能做到这一点，100% Hits@1 在特定基准上不是不可能——但换个数据集、换个领域、换个语言还能不能维持，要等后续验证。

另外一点：IRIS 用冻结 LLM + 无训练框架，不吃微调算力，也不需要对齐训练数据。对很多没有大规模标注对齐数据的团队来说，这可能是更实际的选择。

全文 9 页、1 个图、3 个表，目前是 arXiv 预印本状态。如果你在做知识图谱相关工作，可以花半小时读一下思路——特别是那个「从冻结 LLM 内部分布里提取稳定身份信号」的做法，不绑定特定候选集的对齐思路，在工程落地上比目前那些每对齐一次就要跑一轮 LLM 的方案干净得多。