عادةً ما تعاني محاذاة الكيانات من مشكلات التباين الهيكلي والمحاذاة الأولية المحدودة. في هذا البحث، نقترح نموذجًا جديدًا لشبكات العصبونات الرسومية متعددة القنوات (Multi-channel Graph Neural Network - MuGNN) لتعلم تمثيلات الرسوم المعرفية (Knowledge Graph - KG) الموجهة نحو المحاذاة من خلال ترميز رسومين معرفيين عبر قنوات متعددة بشكل قوي. تقوم كل قناة بترميز الرسوم المعرفية باستخدام مخططات وزنية مختلفة للعلاقات فيما يتعلق باهتمام الذات تجاه إكمال الرسم المعرفي واهتمام الرسم المعرفي العابر لإزالة الكيانات الحصرية على التوالي، والتي يتم دمجها بعد ذلك عبر تقنيات التجميع. بالإضافة إلى ذلك، نستنتج أيضًا نقل معرفة القواعد لإكمال الرسمين المعرفيين بشكل متسق. يتوقع أن يُوفق MuGNN في حل الاختلافات الهيكلية بين الرسمين المعرفيين، وبالتالي الاستفادة بشكل أفضل من المحاذاة الأولية. أظهرت التجارب الواسعة على خمسة مجموعات بيانات متاحة للجمهور أداءنا الأفضل (بزيادة 5% في المتوسط في مؤشر Hits@1).