L’alignement d’entités visant à identifier des entités équivalentes dans des graphes de connaissances (KG) multilingues joue un rôle fondamental dans l’intégration automatique de plusieurs KG. Les méthodes existantes basées sur la traduction modélisent conjointement les connaissances multilingues et les connaissances monolingues dans un seul problème d’optimisation unifié. En revanche, les méthodes basées sur les réseaux de neurones de graphes (GNN) ignorent soit les différences entre les nœuds, soit représentent les relations à travers des instances d’entités ou de triples. Toutes ces approches échouent à modéliser les méta-sémantiques intégrées dans les relations, ainsi que les relations complexes telles que les relations n-à-n ou les graphes multi-connexes. Pour relever ces défis, nous proposons une nouvelle méthode, appelée MRAEA (Meta Relation Aware Entity Alignment), qui modélise directement les embeddings d’entités multilingues en s’appuyant sur les voisins entrants et sortants d’un nœud, ainsi que sur les méta-sémantiques des relations connectées. En outre, nous introduisons également une stratégie simple et efficace d’itération bidirectionnelle pour ajouter de nouveaux couples d’alignement (seeds) durant l’entraînement. Nos expérimentations sur les trois jeux de données standards d’alignement d’entités montrent que notre approche dépasse systématiquement les méthodes de pointe, avec une amélioration de 15 à 58 % en Hit@1. Une étude d’ablation approfondie confirme que les représentations sensibles aux méta-relations, l’attention auto-orientée selon les relations et la stratégie d’itération bidirectionnelle pour la sélection des nouveaux seeds contribuent toutes de manière significative à l’amélioration des performances. Le code source est disponible à l’adresse suivante : https://github.com/MaoXinn/MRAEA.