实体对齐(Entity Alignment,EA)是指将存在于不同知识图谱(Knowledge Graph,KG)中,但指向客观世界中同一物体的名称链接起来,是知识融合中最首要也是最关键的第一步,EA的效果直接影响了知识融合的最终结果,因而在KG的研究领域中引起了越来越多学者的关注。现有的EA方法大多或直接忽略实体属性信息,或将属性信息直接当作关系信息来处理,对二者不做区分。另外,在图神经网络(Graph Neural Network,GNN)的联合EA方法中,普遍使用同一种模型(如图卷积网络(Graph Convolutional Network,GCN))对KG中包含的多种信息(如结构、关系、属性等)共同建模,目前尚未有学者提出分别针对KG中结构信息、关系信息和属性信息等每种信息的特点,尝试使用不同的方法或模型对每种信息进行充分学习,最终联合各部分模型进行EA的方法,导致EA任务精度效果提升有限。针对以上问题,本文重点对联合关系信息和属性信息的实体对齐任务展开研究,探索关系信息和属性信息对实体对齐任务的影响,构建联合实体对齐模型;对实体对齐任务中不同信息的建模方式、融合策略展开研究,构建新的融合图神经网络和TransE的实体对齐模型;并在多个评测指标上得到提升,具体包括如下三点工作:(1)提出了一种联合关系信息和属性信息的迭代EA方法,尝试联合KG中的关系信息和属性信息来进行EA,充分利用KG中的有效信息,以提升EA精度;并为这两种嵌入信息的联合方式设计了两种策略:直接累加策略和权重分配策略,以探究不同联合方式对EA效果的影响。本文在EA任务的标准数据集FB15k和FB15K-237上,使用参数共享(PS)联合方法和基于翻译的知识表示学习方法(TransE和PTransE)进行了实验论证,结果显示该方法有效提高了 EA任务的Hits@n和MeanRank等指标。(2)提出了一种融合GCN嵌入结构信息和TransE嵌入属性信息的联合EA方法,针对KG中不同信息的特点,使用不同的方法对其进行建模,最终将不同建模结果进行联合,以提升EA任务的精度。针对KG中的结构信息和关系信息,使用GCN模型对这两种信息进行建模;针对KG中的属性信息,使用TransE对该信息进行建模;针对上述两者的实体嵌入结果如何联合的问题设计了三种嵌入结果融合策略,命名为连接策略、权重分配策略和迭代嵌入策略。本文在EA任务的标准数据集DBP15K上进行了实验论证,结果显示该方法有效提高了 EA任务的多项指标。(3)基于上述研究的两种实体对齐方法,以及针对目前缺乏中文医疗知识图谱平台的问题,本文将改进的算法应用到构建中文医疗知识图谱的在线演示平台的实际场景中,该平台将数据收集、知识抽取、知识融合和图谱构建等模块结合在一起,形成了完整的图谱构建链。