在全球化的浪潮下,如何使用人工智能技术更好地克服不同语言使用者之间沟通和交流的障碍,成为自然语言处理领域重要的研究课题之一。知识图谱除了被用于优化搜索引擎的搜索表现,现在已经被广泛的应用在生物、医疗、金融等各种专业领域。得益于以维基百科为主的多语言在线百科的发展,研究人员整理出了大量结构化的多语言对齐语料。同时,以Trans E为代表的基于嵌入的知识图谱表示学习技术的发展,使得研究人员通过设计一个模型来实现自动对齐不同语言实体的想法变成可能。然而,当前跨语言对齐方法存在一些不足:首先,基于嵌入表示学习算法的对齐模型对数据集的规模有很高的要求,数据集的规模直接影响对齐模型的准确率;其次,如果采用图卷积神经网络和表示学习模型相结合的方法来设计实体对齐模型,在面对异构的不同语言知识图谱时,容易产生欠拟合的问题。本文在解决上述问题的基础上,针对中韩知识图谱语料提出了跨语言实体对齐模型,具体研究过程如下:首先,采用爬虫技术从互联网收集,整理了八万多条结构化的中韩双语对齐数据集。中韩语言研究是自然语言处理和语言学研究领域的重要研究课题,该数据集可以填补多语言知识图谱领域在中韩双语研究方向的空白,为相关知识图谱上下游研究工作的开展提供了重要的基础性数据。其次,提出并实现了一种图注意力网络和Trans H相结合的实体对齐模型。该模型有效缓解了数据集规模小和知识图谱异构的问题给对齐模型带来的负面影响,提高了对齐模型的准确率。在韩语对齐中文时,Hits@1为48.76%,Hits@5为79.51%,Hits@10为90.99%;在中文对齐韩语时,Hits@1为48.55%,Hits@5为78.77%,Hits@10为90.96%。最后,设计并实现了跨语言知识查询模块。该模块利用对齐模型在相同语义的双语实体之间建立关系,构建双语对齐知识图谱,并采用Popoto.js和Html进行前端设计,Flask框架进行后端数据交互,实现了跨语言知识查询的核心功能。