实体对齐旨在从不同知识图谱（Knowledge Graphs, KGs）中识别出语义等价的实体对，是实现多源知识图谱融合的关键技术。近年来，随着图神经网络（GNNs）被引入实体对齐任务，现有模型的架构日趋复杂。然而，我们发现这些方法中存在两个反直觉的现象：（1）GNN中标准的线性变换效果不佳；（2）许多专为链接预测任务设计的先进知识图谱嵌入模型在实体对齐任务中表现较差。本文将现有的实体对齐方法抽象为一个统一的框架——“形状构建器与对齐器”（Shape-Builder & Alignment），该框架不仅成功解释了上述现象，还推导出理想变换操作的两个关键准则。基于此，我们提出一种新型基于GNN的实体对齐方法——关系反射实体对齐（Relational Reflection Entity Alignment, RREA）。RREA采用关系反射变换（Relational Reflection Transformation），以更高效的方式为每个实体生成具有关系特性的嵌入表示。在真实数据集上的实验结果表明，所提模型显著优于当前最先进方法，在Hits@1指标上提升达5.8%至10.9%。