知识图谱以结构化的方式来表示现实世界中的实体和实体之间的关系,将数字化信息用更接近人类认知的形式进行表达。规模越庞大的知识图谱可以存储越多的知识,而存储的知识量越大,知识图谱能发挥的作用就越大。然而,由于知识图谱可以由任何个人或机构按照自己的意愿构建,其中包含的数据来源极其广泛、质量也可能参差不齐,导致知识图谱之间存在异构性和多样性。在这个背景下,如何对多个知识图谱中的实体进行对齐,将知识图谱进行融合显得极其重要,因为这将能帮助建立起统一的大规模知识图谱。目前,针对实体对齐的研究结果依旧不够理想,用于真实的应用场景中还存在困难。因此,本文尝试基于通用数据集以及自建应用数据集进行探索,研究能够更加充分利用知识图谱中关联节点信息进行实体对齐的模型,并将该模型实际应用于“中小学教育题库”这个真实场景中,实现多个题库知识图谱的融合,并基于最终得到的知识图谱完成题库系统的建设。本文的主要研究工作包括以下几个方面:（1）构造了两个中文题库知识图谱数据集。为了研究实体对齐模型在中文题库数据集上的效果,以及构建由大规模知识库支撑的完整的题库应用系统,完成了两个中文中小学题库领域知识图谱的构建工作。其中的主要实现过程是通过爬虫爬取多来源的题库数据,然后通过知识抽取技术构造两个异源中文题库知识图谱。（2）提出了一种基于多跳邻居节点嵌入学习的实体对齐模型NEIKBA。现有的基于嵌入表示的实体对齐模型通常只考虑了实体自身的属性嵌入和结构嵌入,而没有充分利用图谱中存在的其他关联实体的信息。以此为切入点,以结构嵌入及属性嵌入融合的方法为基础,同时利用周围实体的信息来丰富实体关系三元组和属性三元组,并增加相应的距离权重,然后通过嵌入学习实体向量表示来预测实体之间的相似度,进行实体对齐,最终完成知识图谱融合。将NEIKBA模型与基准方法在两个通用数据集以及两个本文构建的中文题库数据集上进行对比实验。实验结果表明,NEIKBA模型能够充分利用知识图谱的关联节点信息,并能很好地表示实体间的关系信息和实体属性信息,在实体相似度计算及实体对齐任务上取得了比基准方法更好的效果。（3）建设了基于大规模知识库的中小学教育题库系统。在构造的两个中文题库知识图谱并进行融合的基础上,采用业内常用的关系型数据库和中间件,完成了中小学题库系统设计和开发。系统采用B/S架构,后端采用Springboot作为整体框架,使用Mybatis作为数据访问层框架,前端采用Vue.js+Ant V框架。