不同领域的知识库出于不同的目的被构建,然而,由于需求不同,知识库的构建方式不同,知识库中的知识呈现出了组织松散,多源异构的特点。因此,构建能够结构化地描述领域概念的工具——本体对于知识的复用和有效信息的提取意义重大。由于领域本体的构建是一个比较复杂的过程,需要大量人力参与,因此本文的目的是利用自动化的方法辅助解决本体构建环节中的上下位关系识别问题,减少人力损耗。由于信息增长,对于原有的知识库,会新增未知类别的实体;对于新建知识库,知识库中实体的类别本身未知。而如何划分这些未知类别的实体就是实体的上下位关系识别问题。本文主要解决的是医学领域的上下位关系识别问题。因此本文从医学知识库SemMedDB中提取出所需的知识,并利用SemMedDB对应的医学领域本体UMLS验证识别出的上下位关系。解决上下位关系识别问题的关键就是如何有效学习到实体的特征。通过观察知识库中的知识可以发现,知识被组织为多关系图的形式,因此本文分别利用异构信息网络嵌入算法,知识图谱补全模型,直接利用关系作为实体特征的方法得到了实体的特征向量,并利用得到的特征向量作为实体的特征对实体进行分类和聚类,为实体类别的划分提出指导性意见,解决上下位关系识别问题。通过可视化知识图谱补全模型学习到的实体特征向量,发现在向量空间中,同类实体的特征向量距离较近,不同类别的实体之间有较为明显的界限;同时,利用知识图谱补全模型学习到的特征向量和关系作为特征的向量拼接并对实体进行分类,分类的准确率在有122个类别的情况下可以达到71.2%。实验证明,可以利用知识图谱补全模型学习到的特征向量和关系直接作为实体特征得到的特征向量作为分类和聚类的特征有效解决上下位关系识别问题。