Mehrsprachige Wissensgraphen (KGs), wie DBpedia und YAGO, enthalten strukturiertes Wissen über Entitäten in mehreren unterschiedlichen Sprachen und stellen wertvolle Ressourcen für grenzüberschreitende KI- und NLP-Anwendungen dar. Die grenzüberschreitende Ausrichtung von Wissensgraphen bezeichnet die Aufgabe, Entitäten mit ihren Entsprechungen in verschiedenen Sprachen zu verknüpfen, was eine wichtige Methode zur Erweiterung der grenzüberschreitenden Verbindungen in mehrsprachigen Wissensgraphen darstellt. In diesem Artikel stellen wir einen neuartigen Ansatz zur grenzüberschreitenden Ausrichtung von Wissensgraphen mittels Graphen-Convolutional Networks (GCNs) vor. Gegeben eine Menge vorab ausgerichteter Entitäten trainiert unser Ansatz GCNs, um Entitäten jeder Sprache in einen einheitlichen Vektorraum einzubetten. Die Entitätsausrichtungen werden auf Basis der Abstände zwischen den Entitäten im Embedding-Raum ermittelt. Die Einbettungen können sowohl aus der strukturellen als auch aus der attributiven Information der Entitäten gelernt werden, wobei die Ergebnisse der strukturellen und der attributiven Einbettung kombiniert werden, um präzise Ausrichtungen zu erzielen. In Experimenten zur Ausrichtung realer mehrsprachiger Wissensgraphen erreicht unser Ansatz die beste Leistung im Vergleich zu anderen auf Einbettungen basierenden Ansätzen zur Wissensgraphenausrichtung.