近年来，随着语义网的发展，越来越多的结构数据以知识图谱的形式公开发布，并广泛应用于信息检索、推荐系统、问答系统等领域。知识图谱作为语义数据的重要组成部分，通常包含了大量相互重合的RDF三元组信息，然而只有少量实体之间存在等价链接。所以，如果要同时使用多个相互关联的知识图谱，就必须将实体进行对齐或者合并，其中的关键技术就是实体融合。由于不同知识图谱之间存在着数据的语义不均一性，实体和属性的表示有许多变种和歧义，这给实体融合技术带来了巨大的挑战。　　实体融合算法主要基于语言学特征、层次结构、属性值域、辅助数据源、机器学习、知识表示学习等。一般地，基于语言学相似度的算法比较难于应用在大规模的数据集当中，机器学习相对灵活，但是依赖于训练数据和优化算法，知识表示学习能够脱离实体的文本信息，根据RDF三元组之间的结构特征对实体进行编码。传统的实体融合工具提供的匹配算法通常非常有限，不能满足用户的多样性需求，且缺少友好的用户界面，对于普通用户来说，使用门槛较高。　　本文提出了一个基于知识表示学习的双向监督迭代融合算法，将实体和属性映射到了同一个低维的向量空间。与传统方法相比，该算法避免了对知识图谱的糅合操作，并实现了跨语言知识图谱实体融合。同时，还实现了一个基于Web的实体融合工具，提供了良好的交互界面以及详细的操作指南，实现了高效的在线融合计算与数据传输。该工具提供了多种融合算法，包括语言学距离度量、基于正样本的机器学习以及知识表示学习。