【摘要】为了解决领域知识融合过程中所带来的冗余和不一致问题,本文从知识图谱视角研究领域知识对齐。在知识图谱深度表示学习的基础上,提出了一种新的知识图谱对齐(knowledge graph alignment,KGA)模型。为验证模型的有效性,在异构知识图谱和跨语言知识图谱的相关数据集上进行对比实验。在异构数据集上,相比于传统的MTransE和IPTransE,KGA模型的Hits@1指标值最高提升了6.40%,MRR指标值最高提升了6.30%;在跨语言数据集上,模型的Hits@1指标值最高提升了9.66%,MRR指标值最高提升了9.60%。实验结果表明,KGA模型在领域知识对齐上的效果优于传统领域知识对齐方法。研究结果对于改进知识图谱实体对齐效果,提升领域知识的覆盖率和正确率,促进知识图谱在情报学领域的应用具有重要意义。