知识图谱是一种新颖的语义网络,随着越来越多的知识图谱被不同的个人和机构发布,它们之间的异构性问题日渐显露。因此,如何将多源知识图谱融合,促进知识网络的纵深发展,已经成为了当下一个热点研究方向。实体对齐便是解决这个难题的主要方法,它旨在找到不同知识图谱中指向相同现实世界对象的实体。现有的实体对齐方法主要受到知识图谱嵌入模型的推动,将图谱中的实体和关系编码映射到向量空间中,通过计算向量间的距离得到实体间的相似度。然而,以往的图谱嵌入模型大多基于对图谱结构三元组信息的学习来传播对齐信息,存在实体向量表达能力低和信息传播不充分的问题,并且已有方法未能有效地表示图谱中实体的属性信息,大部分的探索还只是简单地叠加多资源信息。因此,探究如何从结构和属性两方面提升实体的表达能力就非常具有研究价值。对此,本文提出了一个嵌入图谱结构和属性信息的实体对齐模型,从两方面捕获实体的结构特征,并将两者的表示结合作为实体基于结构嵌入的表示。最后,将实体的结构嵌入与属性嵌入迭代结合,充分利用多资源的互补性。具体内容如下:（1）本文提出一种学习知识图谱中实体间长期依赖关系的方法,通过设计一个独特的序列学习模型来高效传播实体间的对齐信息,得到高质量的实体结构表示。（2）本文设计了一个基于图神经网络的模型来消除邻居差异对实体表示的影响,该模型可以感知实体周围短期的邻居差异,进一步提升实体的结构表示能力。（3）本文提出了利用注意力机制感知重要属性信息的方法,使实体的属性表示更有辨识度。最后,将嵌入属性信息的实体表示与嵌入结构信息的实体表示模型基于全局最优算法迭代结合,充分利用结构与属性之间的互补性。本文在多个真实数据集上进行实验对比。结果表明,本文提出的嵌入图谱结构与属性信息的模型中的每个模块都显著优于已有的该场景下的实体对齐方法。