Entity Alignment (EA) ist eine grundlegende Aufgabe der Datenintegration, die äquivalente Entitäten zwischen verschiedenen Wissensgraphen (KGs) identifiziert. Temporale Wissensgraphen (TKGs) erweitern traditionelle Wissensgraphen durch die Einführung von Zeitstempeln und genießen zunehmende Aufmerksamkeit. Moderne zeitbewusste EA-Studien haben gezeigt, dass die zeitliche Information in TKGs die Leistungsfähigkeit der EA verbessert. Allerdings haben bisherige Untersuchungen die Vorteile der zeitlichen Information in TKGs noch nicht ausreichend ausgeschöpft. Zudem erfolgt die EA in bestehenden Ansätzen meist durch eine vorherige Paarung von Entitäten, was arbeitsintensiv und somit ineffizient ist.In diesem Artikel präsentieren wir DualMatch, ein Verfahren, das relationalen und zeitlichen Informationen effektiv fusioniert, um die EA durchzuführen. DualMatch transformiert die EA auf TKGs in ein gewichtetes Graphen-Matching-Problem. Genauer gesagt verfügt DualMatch über eine unsupervisierte Methode, die die EA ohne die Notwendigkeit von Seed-Alignment ermöglicht. Das Verfahren besteht aus zwei Schritten: (i) die separate Kodierung von zeitlichen und relationalen Informationen in Embeddings mittels eines neuartigen label-free Encoders, des Dual-Encoders; und (ii) die Fusion beider Informationen und deren Transformation in eine Alignment-Lösung mittels eines neuartigen, auf Graph-Matching basierenden Decoders, des GM-Decoders. Durch die Fähigkeit, zeitliche Informationen effektiv zu erfassen, ist DualMatch in der Lage, EA sowohl im überwachten als auch im nicht überwachten Szenario auf TKGs durchzuführen. Umfangreiche Experimente an drei realen TKG-Datensätzen zeigen, dass DualMatch die derzeit besten Methoden hinsichtlich H@1 um 2,4 % bis 10,7 % und hinsichtlich MRR um 1,7 % bis 7,6 % übertrifft.