近年来,随着各种知识图谱技术的发展,知识图谱的规模在不断扩大,各领域也纷纷开始根据自身需求去构建新的知识图谱。如今,知识图谱被广泛应用于检索,问答和推理等任务,支撑着许多行业的应用。然而,单一的知识图谱已经不能满足实际的应用需求,而各个知识图谱间又存在信息冗余,异构等问题,因此知识融合成为人们关注的话题。实体对齐是知识图谱融合的重要组成部分,目的是寻找不同知识图谱间指向真实世界同一实体的节点。随着知识图谱嵌入方法的研究深入,基于知识图谱嵌入的实体对齐模型受到人们广泛关注。但是这些模型仍然有不完善的地方:大多数模型只考虑了知识图谱的结构信息对实体对齐效果的影响,一部分模型使用了属性信息提高对齐效果,而实体名称往往被忽视,导致现有的模型对知识图谱上的信息利用不够全面;对于使用了结构信息的模型,目前大多数模型没有考虑中心实体的远距离邻居实体,通常建模中心实体的一阶邻居结构,导致中心实体嵌入表示包含的信息有限。针对这些问题,本文设计了一种基于嵌入表示的实体对齐模型,通过利用知识图谱上的语义信息和结构信息来提升实体对齐的效果。本文模型将知识图谱的实体名称,属性信息和实体类别通过大规模预训练语言模型表示出来,全面利用了知识图谱上的语义信息。另外,本文模型通过将实体的一阶邻居,二阶邻居分别使用图注意力网络建模,实现了更远距离实体信息的利用,使得模型能够捕捉更复杂的邻居结构。本文使用特征线性调制的方法,将词嵌入和结构嵌入进行有效结合。在不同数据集上的实验结果表明,本文模型在实体对齐任务上优于当前已有方法,也体现模型较强的鲁棒性。同时本文设置消融实验验证了各个模块的有效性。在实践中,本文将三个已公开的生物医学知识图谱进行实体对齐,融合成一个更大规模的知识图谱。通过开发知识图谱应用平台,将该知识图谱提供给其他研究人员使用。