La alineación de entidades (EA) es una tarea crítica en la fusión de grafos de conocimiento, que tiene como objetivo asociar entidades equivalentes en grafos de conocimiento dispares (KGs). Los métodos actuales suelen aprovechar representaciones de entidades derivadas de triples o entidades vecinas, utilizando la similitud para la alineación. Sin embargo, estos enfoques tienden a depender en exceso de la información de vecinos próximos y tienen dificultades con el suavizado excesivo del grafo introducido por la agregación de vecindarios. En respuesta a estas limitaciones, este estudio presenta un Agregador de Información Global (GIA), un nuevo método que tiene como objetivo mejorar la representación de entidades y al mismo tiempo aliviar el suavizado excesivo al fusionar la información estructural global de todo el grafo de conocimiento. Específicamente, proponemos un método basado en PageRank para agregar la información estructural global de los KGs. Además, el GIA genera un grafo aumentado por difusión propagando e integrando la información global de los KGs. Este grafo se compara posteriormente con un grafo aumentado por perturbación estructural para obtener representaciones de entidades más robustas y completas, mejorando así aún más el rendimiento de alineación del modelo. Experimentos extensos en cuatro conjuntos de datos de referencia muestran que el modelo GIA es altamente competitivo con los marcos de alineación de entidades de última generación.