随着教育信息化的发展,构建高质量的教育知识图谱尤为重要。实体对齐是知识图谱构建的关键一环,能有效整合不同图谱的知识,形成大规模、标准统一的图谱,更好服务下游应用。然而,不同知识图谱的命名空间存在较大差异,此种异构性使实体对齐任务面临巨大挑战。现有的实体对齐方法大多单一考虑知识图谱的关系三元组,基于知识表示技术进行迭代训练,得到相应的向量空间,传统的实体对齐方法为了将不同的向量空间合成到一个空间中,采用预对齐的实体对作为种子进行约束训练。这种方式需要人工参与,效率较低,也没有充分利用知识图谱中的属性信息。对于含有更为丰富的属性信息的教育知识图谱而言,如何利用属性信息是实体对齐的关键。此外,教育知识图谱中的知识基本来源于互联网,存在较大知识质量隐患,而教育中错误的知识会导致不可估量的后果,所以如何保证教育知识图谱的质量也是一大难点。基于以上两大难点,本文对教育知识图谱的实体对齐方法和评价方法进行了深入研究,主要工作分为以下三部分:（1）本文提出一种新的联合利用关系三元组和属性三元组对实体进行向量表征的方法,利用预训练语言模型和知识表示技术进行迭代训练。对于关系三元组,本文将BERT（Bidirectional Encoder Representation from Transformers）的强大语义表征能力迁移到Trans E模型的初始化阶段,基于原始向量空间进行Trans E迭代训练,提高结构层面实体向量表示的效率和准确率。另外基于BERT对属性三元组进行向量表示,根据翻译模型思想和TF-IDF权重分配策略得到属性层面的实体向量,最后联合得出实体向量。（2）根据知识图谱质量维度和实体对齐过程,本文选取实体冗余率和信息缺失率两大指标反馈实体质量,提出基于BERT的多特征实体评价方法,综合利用实体的多维信息。首先采用聚类算法降低计算的实体对规模,再根据实体多方面信息计算实体的语义相似度,得到冗余的实体对,进而精简知识图谱的结构。另外,借助开放的知识图谱平台,通过多级过滤进行信息比对,得到实体缺失的信息集合,有效进行知识互补。（3）本文搭建面向教育知识图谱实体对齐与质量评价平台,集成上述提出的实体对齐方法和评价方法。为了具备高可用和高吞吐的特性,平台内部组件通过微服务的思想进行调用,所有组件采用集群的方式进行部署。