クロスリンガル知識グラフ（KG）における同等エンティティを特定するエンティティアライメントは、複数の知識グラフを自動統合する上で極めて重要な役割を果たす。従来の翻訳ベースのエンティティアライメント手法は、クロスリンガルな知識とモノリンガルな知識を統合的に一つの最適化問題として扱う。一方、グラフニューラルネットワーク（GNN）ベースの手法は、ノードの差異性を無視するか、関係をエンティティまたはトリプルのインスタンスによって表現する。これらはすべて、関係に埋め込まれたメタ意味や、n対nやマルチグラフといった複雑な関係を適切にモデル化できていない。こうした課題に対処するため、本研究では、ノードのインバウンド・アウトバウンドの近隣ノードおよび接続される関係のメタ意味に注目することで、クロスリンガルエンティティ表現を直接モデル化する新しい手法、Meta Relation Aware Entity Alignment（MRAEA）を提案する。さらに、訓練中に新たなアライメントシードを効果的に追加するシンプルかつ有効な双方向反復戦略も提案する。3つのベンチマークエンティティアライメントデータセットにおける実験結果から、本手法は最先端手法を一貫して上回り、Hit@1において最大58%の向上を達成した。広範なアブレーションスタディにより、提案するメタ関係認識表現、関係認識自己注意機構、および新しいシード選択の双方向反復戦略が、性能向上に顕著な貢献をしていることが確認された。コードは以下のURLで公開されている：https://github.com/MaoXinn/MRAEA。