1.一种适于多模态知识图谱的实体对齐方法，其特征在于，包括以下步骤：步骤1，获取两个多模态知识图谱 和 的数据；步骤2，将各个模态的数据投影到双曲空间；步骤3，使用双曲图卷积神经网络学习实体的结构特征和视觉特征；步骤4，融合多模态特征；步骤5，以双曲空间中距离表示实体相似度；步骤6，根据相似度进行实体识别对齐；步骤2中所述的各个模态的数据由预先训练好的神经网络产生的，存在于欧氏空间中，通过从切平面到流形空间的投影，获得投影到双曲空间的特征： ， 为欧氏空间的特征表示， 为双曲空间的特征表示，其中指数映射 的定义为： ， 是切空间 的特征向量， 为双曲空间的曲率， 是双曲空间 中的一个点， 表示双曲空间的原点，切空间 上的向量通过指数映射到 ；步骤3中所述的实体的结构特征的学习是通过双曲空间中的特征转换、信息传递和非线性激活获得的；首先使用对数映射log(·)将双曲空间的节点 的特征向量投影到切空间 ，在切空间中，节点 的特征变换和传递规则为： ，其中 表示切平面上的特征表示， 表示双曲平面上的特征表示， 表示对称归一化邻接矩阵， 是 可训练权重矩阵，d’和d分别表示输入和输出的向量表示的维度，对数映射 的定义为： ，在得到切线空间中的特征表示后，使用非线性激活函数来学习非线性变换；基于双曲特征变换和非线性激活，双曲空间的卷积计算被重新定义为： ，其中 ， 分别表示在 层和 层学得的双曲空间中的节点表示，且 ， 为激活函数；所述的非线性激活为欧式非线性激活，在 层的切线空间 中，将其映射到下一层的流形上： ，其中 ， 分别是 层和 层的曲率，激活函数 选择 ；步骤4中所述的多模态特征的融合是将结构信息和视觉信息相结合，结合的公式表示为：其中 ， 分别是双曲图卷积网络模型学得的结构向量表示和视觉向量表示； 是平衡两种特征向量权重的超参数；两种不同的特征在融合过程中需要保持维度的相同， 表示Mobius加法；所述的Mobius加法提供了一种适用于双曲空间的加法形式，在欧几里得空间中的定义为： 。
2.根据权利要求1所述的实体对齐方法，其特征在于，步骤3中所述的视觉特征的学习过程包括：采用densenet模型来学习图像嵌入，移除densenet模型中的softmax层，densenet模型是在ImageNet数据集上预先训练的，并为多模态知识图谱中的所有图像获取1920维向量嵌入；使用双曲图卷积网络将视觉特征向量投影投射到双曲空间中。
3.根据权利要求1所述的实体对齐方法，其特征在于，步骤5中所述的双曲空间中距离表示为： ，对于 中的实体 和 中的实体 ，其中 ， 表示实体 和 融合结构信息和视觉信息而生成的双曲空间中的向量表示； 是 范数； 表示操作表示Mobius加法。
4.根据权利要求1所述的实体对齐方法，其特征在于，步骤6中， 中特定的一个实体，计算 中所有实体与其双曲空间中的距离，并返回按照距离从小到大排名的候选实体，距离越小的实体越匹配。
5.根据权利要求3所述的实体对齐方法，其特征在于，模型的训练目标是最小化下列的基于边缘的评分损失函数：其中， ， 表示已知实体对， 表示种子实体对的集合； 表示负例实体对集合；负例通过破坏正例，即随机选取知识图谱中的一个实体取代e或者v， 表示边缘超参数，用来分离正例和负例，基于边缘的损失函数需要正例实体对之间的距离尽可能小，负例实体对之间的距离尽可能大。
6.一种适于多模态知识图谱的实体对齐设备，其特征在于，包括：处理器；以及，存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行权利要求1至5任一所述可执行指令来执行上述的实体对齐方法。
