实体对齐旨在发现不同知识图谱中的共指实体。近年来,图神经网络由于在识别同构子图方面的能力,已经成为基于表示学习的实体对齐工作的新范式。图神经网络通过聚合实体自身及其邻居结点的特征生成实体表示。然而,在实际场景中,共指实体在不同的知识图谱中的邻居结构通常是非同构的。这种异构性会导致图神经网络为共指实体学得不同的表示。为了解决这种异构性对图神经网络表达能力的影响,本文从实体的邻居子图结构（关系信息）与初始特征表示（属性信息）两大角度出发,分别提出了多跳邻居聚合与属性归纳表示两种表示学习模型,并将其应用于实体对齐框架中,以端到端的方式,缓解知识图谱异构性对图神经网络表示学习能力的影响。关系建模方面,本文提出了基于门控机制的多跳邻居聚合网络Ali Net。其通过引入实体的多跳邻居信息,扩充邻居结构之间的重叠性;并采用注意力机制来强化与实体对齐密切相关的多跳邻居的作用,降低无关实体带来的噪音影响;然后通过门控机制组合一跳邻居和多跳邻居信息获得实体的最终表示。除了常用的关系邻居外,本文进一步探究了实体属性应用于图神经网络的有效性,提出了一种基于属性注意力机制的归纳式网络Ai E。其通过预训练语言模型为属性值生成向量表示,通过卷积操作提取属性值的共性特征并以此生成属性的初始表示;并提出基于属性共现的图神经网络进行属性平滑表示;最终通过注意力机制对属性三元组进行聚合,得到包含丰富属性信息的归纳式实体表示。最后,本文提出了一个基于图神经网络的实体对齐框架,既可以将上述两个模型Ali Net与Ai E单独应用于实体对齐任务,又能将其串联组合(称为Ali NetAi E,Ai E为实体生成初始特征表示,Ali Net进行特征信息聚合得到实体最终表示),使得关系与属性表示学习可以互相增强,进一步提高实体对齐性能。本文在DBP15K、DWY100K与Open EA三个实体对齐基准数据集上进行实验,证明了Ali Net和Ai E以及其组合方法Ali NetAi E的有效性。此外还通过实验与分析证明了属性信息对图神经网络与实体对齐的增强效果,并通过消融实验验证了各模块的有效性。