近年来,相关推荐、智能问答等需求的出现极大的促进了知识图谱技术的发展,构建大规模通用知识图谱成为国内外学者的研究焦点。然而由于现有的各类知识图谱间存在着严重的异构和冗余,因此在知识图谱融合时需要高效、准确的判断两实体是否指向同一客观物体,即通过实体对齐技术实现知识图谱的融合工作。目前,关于实体对齐技术的研究已经有了较大的进展,但是仍存在着一定的局限性。例如,随着数据量的增大,基于统计的传统概率模型具有时间复杂度高的问题;基于专家经验的实体对齐算法无法满足数据量增长所带来的自适应性问题,导致准确率较低;基于机器学习或深度学习的方法的主要问题是先验对齐数据获取困难,另外在中文文本下还存在着实体向量生成效率低的问题。在上述背景下,本文提出了基于双通道注意力机制的实体对齐算法,并设计实现了基于双通道注意力机制的知识融合系统,该系统能够高效、准确的实现实体对齐、图谱融合和知识图谱查询等功能。本文研究工作具体如下:(1)提出了基于双通道注意力机制的实体对齐算法。首先,针对中文知识图谱下实体向量生成效率低的问题,本文提出了基于连续词袋模型(Continuous Bags Of Words,CBOW)的实体向量训练模型E-CBOW,使用卷积神经网络(Convolutional Neural Network,CNN)对公开词向量进一步训练,得到包含实体语义信息和知识图谱结构信息的实体向量,避免了从one-hot编码开始的词向量训练,可以更加高效准确的训练实体向量。然后,针对基于深度学习的实体对齐算法中由于两实体间互相表示向量不准确而导致的实体对齐判断准确率较低的问题,本文设计了双通道注意力机制。该机制针对词信息和句信息的特点设计了不同的相似度学习方式以学习两实体词信息和句信息的注意力权重,以得到两实体间更加准确的互相表示向量,进一步提升最终实体对齐判断的准确率。最后,针对中文先验对齐数据量小的问题,本文提出了基于迭代思想的数据增量学习方法,通过这种方式将实体对齐模型训练和数据集扩充交替进行,在一定程度上解决先验对齐数据量小的问题。(2)针对用户对数据预处理、实体对齐、图谱融合和知识图谱的查询等功能的可视化操作需求,本文基于Django框架设计并实现了基于双通道注意力机制的知识融合系统。本文详细描述了知识融合系统的需求分析、系统架构和系统各模块处理流程,设计并实现了数据预处理、实体对齐、图谱融合、知识图谱查询等模块功能,最后我们从功能和性能两方面对系统进行了详细的测试。通过与现有BootEA和SEEA等实体对齐算法的对比仿真实验结果可知,本文所提出算法在Precision、Recall、F1-measure等各项指标上均有较大幅度提升。同时,经过系统测试,本文所设计的知识融合系统能够准确高效的进行知识图谱实体数据预处理、实体对齐、图谱融合和知识图谱查询等操作,满足知识图谱融合系统的功能和性能需求。