L'alignement d'entités souffre généralement des problèmes de hétérogénéité structurelle et d'alignements initiaux limités. Dans cet article, nous proposons un nouveau modèle de réseau neuronal graphique multi-canaux (MuGNN) pour apprendre des plongements (embeddings) de graphes de connaissances (KG) orientés vers l'alignement en encodant robustement deux graphes de connaissances via plusieurs canaux. Chaque canal encode les graphes de connaissances à travers différents schémas de pondération des relations, en tenant compte de l'auto-attention pour le complétion des graphes de connaissances et de l'attention croisée entre les graphes pour élaguer les entités exclusives, respectivement. Ces encodages sont ensuite combinés grâce à des techniques de pooling. De plus, nous inférons et transférons des règles de connaissance pour assurer une cohérence dans le complétion des deux graphes de connaissances. Le MuGNN est conçu pour atténuer les différences structurelles entre deux graphes de connaissances, permettant ainsi une meilleure utilisation des alignements initiaux. Des expériences approfondies sur cinq jeux de données publiquement disponibles démontrent notre supériorité en termes de performance (une amélioration moyenne de 5% en Hits@1).