1.一种基于子图嵌入的跨语言实体对齐方法，其特征在于：包括以下步骤：
步骤1：构建实体信息、属性信息、训练集和测试集；
步骤2：构建训练集的实体嵌入矩阵初始值，跨语言知识图谱kg1和kg2的邻接矩阵；
步骤3：基于训练集，训练图卷积网络模型，生成实体的嵌入表示；
步骤3，具体包括如下子步骤：
步骤3.1：将训练集的实体嵌入矩阵初始值，以及表示知识图谱kg1的图g1的邻接矩阵输入至图卷积网络gcn1，即生成图卷积网络gcn1的第一层神经网络层的输入；图卷积网络gcn1包含若干神经网络层，模型参数在不同神经网络层之间共享；
步骤3.2：将训练集的实体嵌入矩阵初始值，以及表示知识图谱kg2的图g2的邻接矩阵输入至图卷积网络gcn2，即生成图卷积网络gcn2的第一层神经网络层的输入；
步骤3.3：图卷积网络gcn2与图卷积网络gcn1采用相同方式生成每一层神经网络层的输入；
步骤3.4：基于子图嵌入生成图卷积网络gcn1和gcn2的结点的嵌入表示，图卷积网络gcn1的结点嵌入表示和gcn2的结点嵌入表示采用相同方式生成；具体为：根据预设的子图窗口大小在来生成每个结点的子图嵌入，不断迭代来优化图卷积网络模型；对于图卷积网络模型的结点，其子图窗口大小是指计算结点的子图嵌入所考察的子图大小范围；将直接存在关系边连接的两个结点间距离定义为1，将与结点距离小于给定阈值的结点集合划分在子图中；用窗口大小约束参与每一层的结点的子图嵌入的计算；
对于图卷积网络gcn1，在计算结点vi的子图嵌入时，子图中不同结点通过注意力机制在计算结点vi的子图嵌入时赋予不同的权重，其原因在于：结点vi子图中的结点与结点v的关联程度不同，因此子图中不同结点对子图嵌入计算的贡献也不同；
其中，子图嵌入的注意力机制通过构建注意力矩阵实现，具体为：对于结点vi，设vsg表示vi子图内的所有结点集合，结点vj和vk都属于集合vsg；构建注意力矩阵s，元素sij表示结点vj对结点vi的重要程度，即在知识图谱中结点vj所表示实体对结点vi所表示实体的重要程度，元素sij的计算方法如公式(7)所示：
其中，
生成结点vi的子图嵌入表示h′i，如公式(9)所示：
其中，hj为基于图卷积网络生成的结点vj的嵌入表示，w1是可训练的权重矩阵，sij为根据公式(7)计算的注意力机制的权重，σ(·)为非线性激活函数，ebag＝{h11,h12,…,h1n}，即由第l神经网络层每个结点的嵌入表示h11,h12,…,h1n构成的集合；
对于结点vi，将其嵌入表示hi与其子图嵌入表示h′i融合，并输入至下一神经网络层中，参与计算模型下一神经网络层的输出，重复步骤3.3和步骤3.4，结点嵌入在图卷积网络模型的每一层逐步优化，直至图卷积网络的输出层，生成结点所表示实体的嵌入表示；即生成图卷积网络gcn1中结点所表示实体的嵌入表示，生成图卷积网络gcn2的结点嵌入表示；
步骤4：在利用训练集完成图卷积网络模型的参数训练后，将测试集输入至图卷积网络模型，基于图卷积网络和子图嵌入，生成测试集中实体的嵌入表示；
步骤5：判别测试集中的实体对齐关系，具体为：
对于测试集中待对齐的跨语言实体对(xu,yv)，计算每一实体对(xu,yv)的嵌入表示(eu,ev)相似度，eu和ev分别为实体xu和实体yv的嵌入表示；
对于每一实体xu，根据余弦相似度计算结果，构建与实体xu对齐的候选实体集合t；进一步，按照余弦相似度非降序顺序，对候选实体集合t排序，构建有序实体列表te；
最后，输出所有实体xu以及与其具有对齐关系的有序实体列表te。
2.根据权利要求1所述的一种基于子图嵌入的跨语言实体对齐方法，其特征在于：步骤1中实体信息包括实体列表、实体编号列表以及关系三元组；属性信息包括属性列表、属性编号列表，以及属性三元组的编号列表。
3.根据权利要求1所述的一种基于子图嵌入的跨语言实体对齐方法，其特征在于：步骤1中实体信息和属性信息从两种自然语言表示的知识图谱kg1和kg2中提取；
知识图谱以三元组知识形式存储，包括关系三元组知识和属性三元组知识；
其中，关系三元组知识包括头实体、关系以及尾实体；属性三元组知识包括实体、属性和属性值；其中，实体是头实体以及尾实体中的一种。
4.根据权利要求1所述的一种基于子图嵌入的跨语言实体对齐方法，其特征在于：步骤1中训练集具体从跨语言知识图谱kg1和kg2中提取具有对齐关系的种子跨语言实体对构建。
5.根据权利要求1所述的一种基于子图嵌入的跨语言实体对齐方法，其特征在于：步骤1中测试集通过提取待对齐的跨语言实体对构建。
6.根据权利要求1所述的一种基于子图嵌入的跨语言实体对齐方法，其特征在于：步骤2中，训练集的实体嵌入矩阵初始值通过随机方式产生，实体嵌入矩阵中每一行表示一个实体的嵌入向量；
跨语言知识图谱kg1和kg2的邻接矩阵，依据如下步骤构建：
首先，构建表示这两个知识图谱kg1和kg2的图g1和g2；
其中，图g1中的结点表示知识图谱kg1中的实体，边表示知识图谱kg1中实体之间的关系；图g2中的结点表示知识图谱kg2中的实体，边表示知识图谱kg2中实体之间的关系；
其次，根据图g1的拓扑结构来构建图g1的邻接矩阵，根据图g2的拓扑结构来构建图g2的邻接矩阵。
7.根据权利要求1所述的一种基于子图嵌入的跨语言实体对齐方法，其特征在于：步骤3.3，具体为：
3.3a基于步骤3.1中第一层神经网络层的输入，经过卷积计算生成图卷积网络gcn1第一层神经网络层的输出，对于第二层，以及第二层以上的神经网络层，具体为：
对于图卷积网络gcn1，第l+1神经网络层的输出h1(l+1)都由第l神经网络层的输出h1(l)经过卷积计算生成，计算方法如公式(1)所示；
h1(l)＝[h11,h12,......,h1n]t(2)
其中，σ(·)为激活函数，w1l是可训练的权重矩阵，其维数为d1(l)×d1(l+1)，d1(l)是第l神经网络层的结点个数，d1(l+1)是第l+1神经网络层的结点个数；
3.3b基于步骤3.2中第一层神经网络层的输入，经过卷积计算生成图卷积网络gcn2第一层神经网络层的输出，对于第二层，以及第二层以上的神经网络层，具体为：
对于图卷积网络gcn2，第l+1神经网络层的输出h2(l+1)都由第l神经网络层的输出h2(l)经过卷积计算生成，计算方法如公式(4)所示；
h2(l)＝[h21,h22,......,h2n]t(5)
其中，σ(·)为激活函数，w2l是可训练的权重矩阵，其维数为d2(l)×d2(l+1)，d2(l)是第l神经网络层的结点个数，d2(l+1)是第l+1神经网络层的结点个数；