在科技知识图谱构建中,需要实体对齐技术对不规范的实体名称进行消歧,但由于同一科技实体具有不同的表达形式,或相同的表达形式会指向多个科技实体,影响了科技实体的准确识别。本文利用节点重要性对科技知识图谱进行对齐。主要研究内容如下:（1）基于压缩感知的图神经网络的节点重要性排序首先,针对传统的节点中心性度量方法通常忽略了节点的位置,本文利用基于压缩感知的框架计算介数中心性,主要是在不完全了解网络拓扑结构的情况下通过间接聚合测量更加准确地识别高介数中心节点;其次,针对一般的编解码器没有考虑到节点属性,为了解决此局限,引入基于图神经网络的编解码方法,编码器将节点编码为嵌入向量,然后,将嵌入向量映射到由压缩感知计算的BC标量值的解码器。实验表明,提出的方法和DrBC方法一样利用深度学习方法捕获到节点所需特征,但与DrBC方法相比,在精度方面更具有优势。（2）基于图同构网络和节点重要性的实体对齐实体对齐通常受到结构异质性和有限种子对齐问题的影响,不同知识图谱（KG）结构的异质性往往存在很大差异,可能会误导种子的表征学习和对齐,引入多通道图神经网络方法,利用不同的渠道来完成KG自我注意、交叉KG注意和剪枝,一般较弱的图神经网络变体往往不适合训练数据,本文采用的图同构网络具有很高的表示能力,几乎适合训练数据,在测试集精度方面也优于其他图神经网络;本文利用节点重要性进行对齐,先找到重要性较大的一类节点,然后在对齐过程中先将这些节点进行对齐。实验证明,利用节点重要性进行对齐,其效果更好。（3）科技知识图谱集成系统针对科技知识图谱的异构性和多样性,设计了科技知识图谱集成系统,主要包括数据清洗模块和数据集成模块,先将科技数据进行清洗存储到图数据库中,再将图中的节点进行重要性排序,然后将用户输入的重要性排名前N%的节点进行对齐,最后,将知识图谱对齐的结果返回给用户。