Les graphes de connaissances multilingues (KG), tels que DBpedia et YAGO, contiennent des connaissances structurées sur des entités dans plusieurs langues distinctes, et constituent des ressources précieuses pour les applications d’intelligence artificielle et de traitement automatique du langage (NLP) multilingues. L’alignement de KG multilingues consiste à associer des entités aux entités correspondantes dans différentes langues, ce qui représente une méthode essentielle pour enrichir les liens multilingues au sein des graphes de connaissances multilingues. Dans cet article, nous proposons une nouvelle approche pour l’alignement de KG multilingues basée sur les réseaux de convolution sur graphe (GCN). Étant donné un ensemble d’entités déjà alignées, notre méthode entraîne des GCN afin d’encoder les entités de chaque langue dans un espace vectoriel unifié. Les alignements d’entités sont ensuite déterminés en fonction des distances entre les entités dans cet espace d’encodage. Les représentations vectorielles sont apprises à partir à la fois des informations structurelles et des attributs des entités, et les résultats d’encodage structurel et d’encodage d’attributs sont combinés pour obtenir des alignements précis. Dans les expériences menées sur l’alignement de réels graphes de connaissances multilingues, notre approche obtient les meilleurs résultats par rapport aux autres méthodes d’alignement basées sur les embeddings.