L’alignement d’entités vise à identifier des paires d’entités équivalentes entre différents graphes de connaissances (KG). Récemment, la disponibilité des graphes de connaissances temporels (TKG), qui contiennent des informations temporelles, a suscité le besoin de raisonnement dans le temps sur ces TKG. Les approches existantes fondées sur les embeddings ignorent généralement les informations temporelles présentes dans de nombreux KG à grande échelle, laissant une importante marge d’amélioration. Dans cet article, nous nous concentrons sur la tâche d’alignement des paires d’entités entre TKG et proposons une nouvelle approche, appelée TEA-GNN (Time-aware Entity Alignment based on Graph Neural Networks), qui intègre l’information temporelle. Nous projetons les entités, les relations et les horodatages issus de différents KG dans un espace vectoriel, et utilisons des réseaux de neurones de type graphe (GNN) pour apprendre des représentations d’entités. Pour intégrer à la fois les informations de relation et temporelles dans la structure du GNN, nous introduisons un mécanisme d’attention auto-adaptative qui attribue des poids différents aux différents nœuds, en utilisant des matrices de transformation orthogonales calculées à partir des embeddings des relations et des horodatages pertinents présents dans le voisinage. Les résultats expérimentaux sur plusieurs jeux de données réels de TKG montrent que notre méthode surpasse significativement les méthodes de pointe actuelles grâce à l’intégration explicite de l’information temporelle.