La alineación de entidades es una tarea importante en la fusión de conocimientos, que tiene como objetivo vincular entidades que tienen la misma identidad del mundo real en dos grafos de conocimiento. Sin embargo, en el proceso de construcción de un grafo de conocimiento, inevitablemente se puede introducir algo de ruido, lo que debe afectar los resultados de las tareas de alineación de entidades. El cálculo de la confianza triple puede cuantificar la corrección de los triples para reducir el impacto del ruido en la alineación de entidades. Por lo tanto, diseñamos un método para calcular la confianza de los triples y lo aplicamos a la fase de aprendizaje de representación de conocimiento de la alineación de entidades. El método calcula la confianza triple basándose en las tasas de emparejamiento de los tres ángulos entre las entidades y las relaciones. Específicamente, el método utiliza las tasas de emparejamiento de los tres ángulos como características, que luego se alimentan en una red neuronal feedforward para el entrenamiento y obtener la confianza triple. Además, introdujimos la confianza triple en los métodos de aprendizaje de representación de conocimiento para mejorar su rendimiento en la alineación de entidades. Para el método basado en redes neuronales de grafos GCN, consideramos la confianza de la entidad al calcular la matriz de adyacencia, y para el método basado en traducción TransE, propusimos una estrategia para ajustar dinámicamente el valor del margen en la función de pérdida en función de la confianza. Estos dos métodos se aplicaron luego a la alineación de entidades, y los resultados experimentales demuestran que, en comparación con los métodos de aprendizaje de representación de conocimiento sin integrar confianza, los métodos de aprendizaje de representación de conocimiento basados en confianza lograron un excelente rendimiento en la tarea de alineación de entidades.