随着大数据时代的到来,互联网数据出现了爆炸式增长,知识图谱的规模也变得越来越大,但是数据的增长却使得知识图谱的质量急剧下降,内部信息变的越来越不完善。因此,为了使现有知识图谱更加完善,需要不断地添加新的客观事实进行补全。早期的知识图谱补全工作基本采用人工方式来构建事实三元组并添加到知识图谱中,但是这种方式往往效率低下且对知识图谱的扩展具有很大的局限性,已经无法满足规模日益增大的知识图谱补全工作。因此,设计出一种自动知识图谱补全方法来对知识图谱进行补全具有重要研究和应用价值。最初,利用独热编码对知识图谱中的研究对象进行表示得到了发展,但是这是建立在所有对象相互独立的基础上,会破坏知识图谱内部的结构信息,无法充分利用实体间的语义信息。然而最近几年,基于翻译操作的知识图谱嵌入模型由于将关系表示为实体间的翻译操作而有效地挖据出三元组的结构信息,使得其表现出了强大的有效性和鲁棒性,在知识图谱补全工作中发挥了巨大的作用。但是目前的翻译嵌入模型面临着实体和关系表示能力不足、忽略丰富的附加信息以及负例三元组质量低等一系列问题。针对以上这些问题,本文提出了基于关系路径和实体描述的知识表示方法(Multiple-Path and Entity Description Embedding Model,简称MPED)、基于实体、关系嵌入和关系类别的知识表示方法(Category of Relation Embedied Knowledge Embedding Model,简称CREKE)和基于谱聚类的知识表示方法(Trans E-Spectral Clustering,简称Trans E-SC),并在一定程度上解决了上述问题。本文主要研究工作如下:1)为了弥补基于关系路径信息的知识表示学习方法在实体链接预测上的不足以及解决数据稀疏问题,本文提出了将多步关系路径信息与实体描述信息相结合的知识表示方法MPED,通过将实体描述信息引入基于关系路径的知识表示方法(Modeling Relation Paths for Representation Learning of Konwledge Bases,简称PTrans E)中,并建立实体与关系向量联合学习框架,使得在实体和关系向量都具有更加精确的表示。通过链接预测以及实体分类实验表明相对于只利用关系路径信息的模型以及其对比方法来讲,MPED能够显著提高实体与关系的向量表示的质量。2)对于大部分知识图谱表示学习方法只利用三元组的结构信息而忽略了丰富的关系类别信息这一问题,本文提出了将实体、关系向量表示与关系类别相结合的知识表示方法CREKE,该方法通过将多元高斯混合分布与关系类别分布相结合,为每一个关系类别学习出一个分布式表示,并将基于实体、关系的向量表示和关系类别的分布式表示形成联合学习框架,使用闭环策略进行学习。实体、关系的向量表示与关系类别的分布式表示相互促进,共同学习,使得关系向量表示中包含类别信息。通过链接预测和三元组分类实验验证了CREKE具有一定的有效性,关系类别信息对于知识图谱补全工作具有明显的积极作用。3)为了解决知识嵌入模型在训练过程中使用随机替换方式生成低质量负例三元组进而导致模型训练效率低这一问题,本文提出了一种基于谱聚类的负例三元组生成方式来提高负例三元组的质量,具体来说就是先使用谱聚类算法将所有实体向量进行聚类,使得相似实体处在同一实体簇中,当我们通过替换正例三元组的头、尾实体来生成负例三元组时,需要找到与待替换实体所在簇中相似度最高的实体进行替换,这样才可以得到高质量的负例三元组。我们将这种负例三元组生成方式与Trans E相结合提出了Trans-SC模型。通过链接预测和三元组分类实验,验证了Trans E-SC模型相对于很多基准模型,在多数情况下取得了较好的性能。