1.一种基于实体对齐的知识图谱融合方法，其特征在于，包括以下步骤：步骤1，获取两个知识图谱的数据；步骤2，利用图卷积网络学习实体的结构向量；将实体的名字表示为词向量；步骤3，计算实体间的综合距离以表示实体之间的相似程度；步骤4，采用基于课程学习的迭代训练框架进行实体识别对齐；步骤5，按照实体对齐结果，将两个知识图谱融合为一个知识图谱；所述的两个知识图谱表示为，G 1 ＝(E 1 ,R 1 ,T 1 )和G 2 ＝(E 2 ,R 2 ,T 2 )，其中E代表实体，R代表关系， 代表图谱中的三元组，已知实体对表示为 所述的步骤4中采用基于课程学习的迭代训练框架进行实体识别对齐，所述的迭代训练框架中，每一轮迭代训练的输入为待对齐知识图谱和已对齐实体对，其中已对齐实体对为训练集，输出为对齐结果和扩增后训练集；获取高置信度实体对，并将其添至训练数据中用于下一轮训练；当测试集中高置信度实体对加入到训练集后，将不会出现在下一轮的测试集中，上述迭代训练将会一直持续，直到新加入的实体对数目低于给定阈值θ 2 ；所述的高置信度实体对是指，对于G 1 中的每一个待对齐实体e 1 ，假设G 2 中距离其最近的实体为e 2 ，第二近实体为e 2 ′，距离差值为Δ 1 ＝D(e 1 ,e 2 ′)-D(e 1 ,e 2 )；而对于e 2 来说，若G 1 中距离其最近的实体恰好为e 1 ，第二近实体为e 1 ′，距离差值为Δ 2 ＝D(e 2 ,e 1 ′)-D(e 2 ,e 1 )，并且Δ 1 ≥θ 1 ，Δ 2 ≥θ 1 ，那么认为(e 1 ,e 2 )为高置信度实体对，θ 1 为预设的距离差值阈值；所述的步骤2中利用两个两层图卷积网络，分别用来处理两个知识图谱数据并生成相应的实体结构向量；步骤3中两个知识图谱的实体e 1 ∈G 1 和e 2 ∈G 2 在结构空间下的结构距离为D s (e 1 ,e 2 )＝||e 1 -e 2 || l1 /d s ，d s 为结构矩阵维度；所述的词特征距离为D t (e 1 ,e 2 )＝||ne(e 1 )-ne(e 2 )|| l1 /d t ，假设实体e名字中包含词语w 1 ,w 2 ,...,w p ，那么实体名向量可表示为这些词向量的平均，即 其中w i 是w i 的词向量，d t 是名字向量矩阵维度；步骤4中所述的综合距离的融合公式为：D(e 1 ,e 2 )＝αD s (e 1 ,e 2 )+(1-α)D t (e 1 ,e 2 )其中α是用来调整两种特征权重的超参数；所述的特征距离是通过词移距离模型计算的，所述的词移距离模型旨在衡量不同句子间的差异性，词移距离表示为实体中所有词的嵌入向量需要移动到达另一个实体中所有词的嵌入向量的最小距离值；所述的图卷积网络，输入是实体的特征矩阵 以及图的邻接矩阵A，输出是融入了结构信息的特征矩阵 N代表图谱中节点的数目，而P和F分别代表输入和输出矩阵特征的维度，假设第l层的输入为节点的特征矩阵 其中d l 代表第l层特征矩阵的维度，对于第一层，H 1 ＝X，d 1 ＝P；第l层输出为 其中 I为单位矩阵， 为 的对角矩阵， 为第l层的参数矩阵，d l+1 是下一层特征矩阵的维度，激活函数σ常被设为ReLU，对于最后一层，H l+1 ＝Z，d l+1 ＝F；初始的特征矩阵X从L2正则化的截尾正态分布中抽样得到，并通过GCN各层训练更新，进而充分捕捉知识图谱中的结构信息并生成输出特征矩阵Z；特征矩阵的维度一直设置为d s ，P＝F＝d l ＝d s ，而两个GCN在两层中共享特征矩阵W 1 和W 2 ；训练目标为最小化下述损失值：其中[x] + ＝max{0,x}， 代表基于已知实体对(e 1 ,e 2 )，将e 1 或者e 2 替换成随机实体生成的负样本集合，e代表实体e的结构向量，γ代表将正负样本分隔的端距，采用随机梯度下降进行模型优化。
2.根据权利要求1所述的知识图谱融合方法，其特征在于，所述的课程的难易程度可由实体节点度数高低来刻画：度数较高的实体具有更为丰富的结构信息，更容易对齐；而对齐度数低的长尾实体则相对而言颇具难度，在迭代训练过程中，首先添加容易的实体对，再加入较难的实体对，从而实现由易至难地对模型进行训练。
3.根据权利要求2所述的知识图谱融合方法，其特征在于，假设有从简至难的δ个课程，c 1 ,…c δ ，分别代表从大到小的一系列实体节点度数值，那么在每一次迭代训练得到的高置信度实体对中，只选择节点度数大于c 1 的加入到训练集中，并保持该条件一直循环迭代训练，直到符合要求的实体对数目低于给定阈值θ 2 时，停止该课程难度的训练；在接下来的训练中，调整课程难度，将条件改为从高置信度实体对中选择度数大于c 2 的加入到训练集中，并保持该课程难度一直循环迭代训练，直到符合要求的新增实体对数目低于给定值θ 2 时，停止该课程难度的训练；最后重复上述步骤，遍历剩下的课程难度c 3 ,...c δ 。
