في هذه الدراسة، نقوم بتحليل معمّق لطريقتين حديثتين جدًا (SotA) لمهام التوافق الكيانات (Entity Alignment) في الرسوم المعرفية. لذلك، نبدأ أولًا بفحص دقيق لعملية المقارنة القياسية، ونحدد عدة نقاط ضعف، تجعل النتائج المبلغ عنها في الدراسات الأصلية غير قابلة دائمًا للمقارنة. علاوةً على ذلك، نشكّ في أن من الممارسات الشائعة في المجتمع إجراء تحسين المُعامِلات (hyperparameter optimization) مباشرة على مجموعة الاختبار، مما يقلل من القيمة التوضيحية للأداء المبلغ عنه. لذا، نختار عينة ممثلة من مجموعات البيانات المستخدمة في المقارنة، ونصف خصائصها. كما ندرس التهيئة المختلفة لتمثيلات الكيانات، نظرًا لأنها عامل حاسم في أداء النموذج. علاوةً على ذلك، نستخدم تقسيمًا مشتركًا للمجموعات التدريبية والتحقق والاختبار، بهدف توفير بيئة تقييم عادلة، حيث نُقيّم جميع الطرق على جميع مجموعات البيانات. في تقييمنا، توصلنا إلى عدة نتائج مثيرة للاهتمام. فبينما لاحظنا أن الطرق الحديثة جدًا تُظهر أداءً أفضل من النماذج الأساسية في معظم الحالات، إلا أنها تواجه صعوبات عندما تحتوي مجموعة البيانات على ضوضاء، وهي الحالة السائدة في التطبيقات الواقعية. بالإضافة إلى ذلك، تبيّن من دراستنا التحليلية (ablation study) أن بعض الميزات المختلفة في الطرق الحديثة تُعدّ أكثر أهمية لتحقيق أداء جيد مما كان يُفترض سابقًا. يمكن الوصول إلى الكود من خلال الرابط التالي: https://github.com/mberr/ea-sota-comparison.