엔티티 정합(Entity alignment, EA)은 서로 다른 지식 그래프(KG) 간에 동일한 엔티티를 식별하는 기초적인 데이터 통합 작업이다. 시간적 지식 그래프(Temporal Knowledge Graphs, TKGs)는 전통적인 지식 그래프에 시간 타임스탬프를 도입함으로써 확장된 형태로, 최근 점차 더 많은 주목을 받고 있다. 최신의 시간 인식 EA 연구들은 TKG의 시간 정보가 EA 성능 향상에 기여함을 제안하고 있으나, 기존 연구들은 TKG 내 시간 정보의 잠재적 장점을 충분히 활용하지 못하고 있다. 또한 기존 방법들은 사전에 엔티티 쌍을 정합시켜야 하는 방식으로 EA를 수행하는데, 이는 인력 투입이 많고 비효율적인 문제가 있다.본 논문에서는 관계 정보와 시간 정보를 효과적으로 융합하여 EA를 수행하는 DualMatch를 제안한다. DualMatch는 TKG 상의 EA 문제를 가중치가 부여된 그래프 매칭 문제로 변환한다. 구체적으로, DualMatch는 시드 정합(seed alignment)이 필요 없이 비지도 학습 방식으로 EA를 수행할 수 있는 새로운 방법을 갖추고 있다. DualMatch는 두 단계로 구성된다: (i) 새로운 레이블 없는 인코더인 Dual-Encoder를 사용하여 시간 정보와 관계 정보를 별도로 임베딩으로 인코딩하는 과정; (ii) 새로운 그래프 매칭 기반 디코더인 GM-Decoder를 통해 두 가지 정보를 융합하고 정합 정보로 변환하는 과정. DualMatch는 시간 정보를 효과적으로 포착할 수 있는 능력을 갖추고 있어, 감독 정보가 있든 없든 TKG 상에서 EA를 수행할 수 있다. 실제 TKG 데이터셋 세 개에 대한 광범위한 실험 결과를 통해 DualMatch가 최신 기술 대비 H@1에서 2.4%~10.7%, MRR에서는 1.7%~7.6%의 성능 향상을 보였음을 확인할 수 있었다.