多语言知识图谱的构建和应用,推动了许多人工智能相关的跨语言任务的发展。跨语言实体对齐任务是指在多语言场景下,找到不同语言中的匹配实体对的任务。通过跨语言的实体对齐,可以连接和融合不同语言的知识图谱,形成新的知识,增加知识图谱的信息密度。现有方法主要依赖于少量跨语言链接和三元组结构编码实体。随着互联网的发展、众包技术的成熟,大量知识图谱也为实体提供了丰富的实体描述,给文本信息的编码提供了条件。针对结构编码优化,文本编码的引入,以及对齐数据稀少等问题,本文研究并提出了相应的跨语言实体对齐模型。本文的主要贡献如下:(1)提出了基于TransD模型的自举式跨语言实体对齐模型。利用TransD模型增加实体和关系之间的交互,编码知识图谱中的实体和关系,通过三元组损失优化实体的向量表示。对于训练数据中对齐实体对不足的问题,利用自举法筛选训练中得到的新对齐实体对,扩充训练数据。在数据集DBP15K上证明了本文提出的模型在结构编码上的优势以及自举式扩充训练数据的有效性,并从而提升了跨语言实体对齐效果。(2)提出了使用图卷积网络编码知识图谱多视角信息的跨语言实体对齐模型。根据知识图谱三元组和实体描述文本,用双层图卷积网络分别进行实体结构嵌入和实体文本嵌入,结合两个视角的嵌入表示计算实体对齐。此外,引入机器翻译和长短时记忆网络编码跨语言实体描述,进一步改进跨语言实体对齐表现。本文针对文本嵌入模块进行了消融实验,并通过在数据集DBP15K上与其它跨语言实体对齐模型的比较与分析,证明了本文模型使用图卷积网络编码结构和文本的优越性,以及文本描述编码对于实体对齐任务的有效性。