知识图谱是以形式化的方式来描述实体之间关系的一种语义网络。在知识图谱的构建过程中,单一数据源形成的知识图谱容易形成信息孤岛、知识覆盖度不足等问题。知识融合技术可以将多源数据进行整合以提高知识图谱的丰富度和准确度,因此,具有重要的研究价值与意义。知识融合中包含实体对齐和实体链接两个子任务,两者均用于解决实体的歧义消除问题,但针对的歧义实体有所不同,实体对齐针对的是异构知识库中的结构化实体;而实体链接针对的是文本中的提及实体。目前实体对齐任务中存在着实体间信息不对称、未区分属性对实体的重要度等问题;实体链接任务则存在着模块间误差传递、提及实体与候选实体分开编码等问题。本文围绕上述问题展开了如下研究工作:1、针对实体对齐存在的问题,本文提出了基于孪生网络的属性注意力实体对齐模型。实体对齐任务中的实体对均为知识库中的实体,结构较为相似,因此使用孪生网络共享实体对在编码过程中的网络权重参数;而在孪生子网络中,使用两种实体编码方式分别学习实体的整体性和属性对实体的重要性。实验表明,在自有中文数据集上的F1值达到了96.52%,验证了方法的有效性。2、针对实体链接存在的问题,本文提出了基于联合编码的端到端实体链接模型。大多数实体链接任务将实体检测与消歧分模块进行,导致误差传递问题,还通常将提及与候选分开编码后再计算两者向量的相似性,导致无法从编码过程中学习实体间的关联。因此,本文采用端到端的方法以减少误差传递,同时使用联合编码的方式,从底层开始学习提及与候选实体间紧密的语义相关性。实验表明,在公开中文数据集上的F1值达到了75.36%,均高于其他对比模型。3、将本文提出的模型应用到音乐领域知识图谱构建中的知识融合模块,丰富了音乐领域知识库,并通过展示音乐领域知识图谱的形式,验证了模型的可行性。