随着知识的不断积累和科学的飞速发展,知识图谱和基于知识图谱发展起来的认知智能,为精细的大数据分析提供了有力的技术支持,能够赋能舆情分析、商业推荐、语义搜索等多种领域,在图情领域也因其能够直观形象地解读学科的发展趋势和研究热点等,得到了广泛的应用。然而现存知识图谱大多由各类开发者根据自己的需求构建,很多知识存在重复或错误,同一个实体对应多条记录的情况十分常见,同一领域也常常存在多个类似的知识图谱,为知识图谱的应用带来了一些阻碍。因此急需对知识图谱进行实体去重及数据融合,而这其中最为关键的技术为实体匹配,即识别出对应相同实体的不同节点。本文针对知识图谱的实体匹配问题,提出了一种基于图神经网络方法Graph SAGE的实体匹配模型,并将模型进行了实际应用。该模型采用模块化设计,分为图表示学习和匹配分类器两个模块,综合考虑了知识图谱的结构特征和实体属性的相似特征。该模型可以用于单图谱内的重复实体识别和多图谱间的实体对齐两种任务场景,改善了现有方法的不足,提升了实体匹配模型的性能,拓展了知识图谱优化领域的研究。本文首先构建了知识图谱实体匹配模型:（1）通过Graph SAGE对知识图谱进行图表示学习,将图谱映射到一个低维向量空间;（2）使用孪生神经网络构建匹配分类器,将节点两两一组作为训练样本,以“属于相同实体/不属于相同实体”作为标签,训练匹配分类器;（3）从匹配分类器中提取出实体嵌入向量,在实体向量空间中查询属于相同实体的节点,实现实体的精准匹配。另外将实体嵌入向量压缩编码成实体二进制码,实现实体的快速匹配。随后,本文分别在图情和医疗领域对该实体匹配模型进行了实证研究,选取文献知识图谱和医疗知识图谱作为实验样本的来源,采用分段实验的方法分别验证模型中每个模块的合理性和有效性。本文使用可视化方法展示图表示向量的质量,进而通过实体匹配任务的评价指标（准确率、召回率和F值）来检验匹配分类器和向量压缩方法的效果。实验结果证明了本文构建的知识图谱实体匹配模型在匹配准确率、匹配速度和对不同领域知识图谱的适应性等方面比现有模型更加优越。本文的研究还有一些不完善之处,未来可以针对这些不足做出改进:（1）知识图谱存在属性异构和属性噪声的问题,未来可以考虑在实体匹配之前对实体属性进行预处理;（2）本文模型将知识图谱中边的类型作为节点特征的一部分进行学习,未来可以考虑使用更加直观的方式将边的类型信息加入到模型结构中;（3）本文模型中的匹配分类器采用有监督的训练模式,需要一部分人工标注的数据,未来可以考虑构建无监督的训练方法,减少人力参与,使整个实体匹配模型实现完全自动化。