知识图谱以三元组（头实体，关系，尾实体）的形式存储结构化的人类知识。知识表示学习指获取实体和关系的低维稠密表示向量，在知识推理和知识图谱问答等领域具有广阔的应用空间。除了直接连接两个实体的单跳关系，知识图谱中还存在着由多个单跳关系构成的多跳关系（即关系路径），如何利用关系路径中蕴含的语义信息成了知识表示学习研究中的热点。
　　基于关系路径的传统知识表示学习方法将关系路径引入到以三元组为单位的知识表示学习过程，一般通过强化学习来获取关系路径，并利用这些关系路径中的信息来完成知识图谱补全等任务。然而，现有模型强化学习的奖励设置不可训练，且在利用关系路径的过程中忽略了实体中的信息。针对这一问题，本文提出了一种基于注意力机制强化学习路径搜索的知识表示学习模型。通过强化学习获取高质量的关系路径，且使用可训练的奖励设置;通过基于翻译的模型来利用关系路径，同时考虑了实体和关系中的信息。
　　基于邻居聚合的知识表示学习方法以实体为单位来学习知识图谱中实体和关系的表示。由于邻居的数量随着跳数的增加指数级增长，现有模型或是只利用单跳邻居，忽略了多跳邻居（通过关系路径连接的邻居）中的信息，或是通过分层的方式进行邻居聚合，不能整体地考虑每条多跳邻居。针对这一问题，本文提出了一种基于规则挖掘和邻居聚合的知识表示学习模型。通过规则挖掘算法来得到“多跳邻居→单跳邻居”的模式，若实体包含模式中的多跳邻居，则为该实体引入一个相应的单跳邻居。这样，分层聚合也能整体地考虑每条多跳邻居。