近年来,工业界与学术界涌现出各式各样的知识图谱。这些侧重于不同领域、基于不同数据库的知识图谱之间存在着大量的共同实体。为了寻找这些共同实体以实现知识图谱之间的知识融合,实体对齐任务应运而生。知识图谱表示学习的出现为实体对齐提供了新的解决方案。然而,现有的大多数基于知识图谱表示学习的实体对齐方法在利用实体邻域信息建模中心实体时,不但没有考虑邻域信息中关系多语义的影响,而且没有剔除掉对实体对齐无用的邻域信息。此外,这些方法在进行匹配时仅仅使用邻域中的邻居实体信息而忽略了邻域中包含丰富语义的关系信息。实际上,不同知识图谱中对齐实体的邻域往往是异构的,尽管部分实体对之间邻域的邻居实体不尽相同,但描述实体特征的邻居关系却是相似的。这些缺陷都将导致实体对齐的效果欠佳。针对上述问题,本文提出了基于层次注意力的邻域匹配网络（Hierarchical Attentionbased Neighborhood Matching Network,HANM）进行实体对齐。具体而言,HANM首先使用三层注意力机制（即关系级别注意力、关系语义级别注意力以及实体级别注意力）来赋予邻域中不同关系、关系语义和实体不同的权重,以更细粒度地建模中心实体表示。然后,该模型根据三层注意力机制计算得到的实体邻域中的邻居实体和关系得分分别对它们进行采样,以剔除邻域中的噪声信息。其次,HANM分别对两个知识图谱的采样邻居实体子图及关系子图进行交叉图匹配,以充分计算它们的邻域匹配度。最后,该方法结合中心实体自身表示和邻域匹配度来计算两个知识图谱间中心实体对的相似度。本文所提方法能更全面地考虑实体的邻域信息,从而提高实体对齐的精准性。为了验证模型的有效性,本文在真实世界数据集DBP15K的三个跨语言数据集上进行了实验。实验结果表明,相较于其它基准模型,本文提出的基于层次注意力机制的邻域匹配实体对齐方法在MRR和Hits@K指标上均取得更优的效果。