近年来,知识图谱规模迅速扩大,实体数量飞速增长,不同知识图谱之间实体匹配的重要性日益体现。实体匹配的质量依赖于知识图谱中实体的上下文,主要分为关系三元组、属性三元组和实体文本描述等三类。现有的相关工作只同时对其中的一类或两类实体上下文进行建模,没有同时对三类实体上下文进行建模。除此之外,现有相关工作中虽然有同时建模两类实体上下文,但是其中大部分并未平等对待这些实体上下文,并且对于多类信息不充分的实体上下文的联合建模问题,都不能很好地解决。为了解决以上问题,本文提出了一个新的基于实体上下文表示学习的实体匹配方法。该方法同时对关系三元组、属性三元组以及实体文本描述进行建模,因为这些实体上下文对实体匹配任务而言是至关重要的信息。然后,该方法在平等对待所有实体上下文的基础上,考虑了实体单类上下文信息不充分的问题,并基于此提出了三种联合学习模型。综合以上,本文先分别对三类实体上下文进行建模,然后基于三类实体上下文模型整合出实体的联合向量表示,最后通过计算实体向量的相似度找出所有的匹配实体。本文的主要贡献如下:1)提出一个分别建模关系三元组、属性三元组以及实体文本描述的实体匹配模型:采用效率高的知识图谱翻译模型对关系三元组进行建模,采用图卷积神经网络建模属性三元组,采用擅长处理序列数据的循环神经网络建模实体文本描述。2)提出三种考虑了实体单类上下文信息不充分问题的联合学习模型:在上述基于三类实体上下文的实体匹配模型的基础上,设计了拼接、实体上下文关联分析以及多视图完整空间学习等三种联合学习模型,整合出实体的联合向量表示,然后通过计算实体向量的相似度找出匹配实体。3)在现实数据集上进行实验,并利用常用的评测指标对实验结果进行评估,实验结果表明文本提出的基于实体上下文表示学习的实体匹配模型在多项评测指标中明显优于现有最先进的基于表示学习的实体匹配方法。研究知识图谱实体匹配方法,能够将不同的知识图谱融合为一个统一、一致且简洁的知识图谱,并为使用不同知识图谱的应用程序之间建立连接,在信息检索、机器阅读以及知识问答等领域具有重要的应用价值,对于开放链接数据项目的推动和发展具有重要的理论意义。