엔티티 어라이어먼트(Entity alignment)는 서로 다른 지식 그래프(KG) 간에 동일한 엔티티 쌍을 식별하는 것을 목표로 한다. 최근 시간 정보를 포함하는 시계열 지식 그래프(Temporal KGs, TKGs)의 등장으로, 이러한 TKG 내에서 시간에 대한 추론이 필요하게 되었다. 기존의 임베딩 기반 엔티티 어라이어먼트 접근법은 많은 대규모 지식 그래프에서 흔히 존재하는 시간 정보를 무시하고 있어, 여전히 개선의 여지가 크다. 본 논문에서는 TKG 간의 엔티티 쌍을 어라이어먼트하는 작업에 초점을 맞추고, 그래프 신경망(Graph Neural Networks, GNNs) 기반의 새로운 시간 인지형 엔티티 어라이어먼트 기법(TEA-GNN)을 제안한다. 제안하는 모델은 다양한 KG의 엔티티, 관계, 타임스탬프를 동일한 벡터 공간에 임베딩하고, GNN을 활용하여 엔티티 표현을 학습한다. 모델의 GNN 구조 내에서 관계 정보와 시간 정보를 동시에 반영하기 위해, 이웃 노드들에 대해 서로 다른 가중치를 부여하는 자기 주의(self-attention) 메커니즘을 사용한다. 이 메커니즘은 관련 관계와 타임스탬프의 임베딩에서 계산된 직교 변환 행렬을 기반으로 작동한다. 다양한 실제 TKG 데이터셋에 대한 실험 결과는, 시간 정보를 포함함으로써 제안한 방법이 기존 최고 수준의 기법들을 상당히 뛰어넘는 성능을 보임을 입증한다.