知识图谱表示学习也称知识图谱嵌入,旨在挖掘知识图谱中涵盖的有效信息并转变为向量表示,从而更方便地被应用于机器学习和深度学习模型之中,并应用于检索、推荐、推理等目的。提高知识图谱表示学习模型的表达能力主要从两方面入手。1)知识图谱表示学习模型的改进。在传统知识图谱表示模型的基础上结合卷积神经网络模型、注意力机制以及目前备受关注的图神经网络等模型的优势针对模型架构设计进行优化。2)扩充知识库。由于只通过知识图谱的结构数据无法对图谱信息进行完整建模,因而试图通过一些外部的知识库信息来扩充知识图谱,并设计相应的知识增强模型来充分挖掘知识图谱的内容信息,从而达到提升性能的目的。本文主要研究内容包括:1)针对上述两个方面对知识图谱表示学习算法进行优化,提出了基于图注意网络的文本增强知识图谱表示学习模型TGAT,并基于WN18RR和FB15K-237数据集验证了TGAT模型在链接预测任务上的性能表现;2)为了验证算法在真实场景中的表现,我们结合保险行业的核保任务场景,构建了保险医疗知识图谱数据集MI225,验证了TGAT模型在MI225数据集上的性能表现;3)为了研究知识表示模型和深度学习模型的有机结合,我们提出了基于知识表示的深度学习模型框架,并在此基础上针对核保任务提出了基于知识表示的深度注意力核保模型KBDAN。实验表明,TGAT模型在MR、MRR以及Hits@N多个指标上较前人模型提升明显;同时,加入文本增强知识向量表示之后的核保模型的分类预测性能较其他经典知识表示模型有显著提升;另外,新提出的基于知识表示的深度核保模型KBDAN在多分类任务上较多种经典机器学习框架以及深度学习模型有性能优势。本文系统地实现了对知识图谱的结构信息以及内容信息的知识提取,通过将预训练知识表示模型应用于深度学习任务中,提升了下游任务中的分类以及推荐效果。