知识图谱(Knowledge Graph)以三元组形式描述了客观世界中的概念、实体及其之间的关系,为自动理解海量信息提供了一种更好的表达形式。在使用大规模知识获取方法构建的知识图谱中通常存在大量关系缺失问题,如Freebase中71%的实体缺少出生地相关信息,Word Net和NELL也有着不同程度的词性、父母等关系缺失,缺失的关系会降低下游应用任务的精度。知识图谱补全是针对这一问题提出的自动补全方法,主要有基于符号推理、基于链路预测和基于知识表示学习的方法。基于符号推理的方法主要依赖于人工先验规则,推理效率低,无法适用于大型的知识图谱。基于链路预测的方法是利用网络拓扑结构,假设相似节点最有可能形成链接,但知识图谱中链接具有明确的语义信息,使得链接预测效果往往不理想。基于知识表示学习的补全是一种结合表示学习和链路预测的方法,采用数值推理替代符号推理,为大规模知识库的补全提供了一种高效的方式。论文针对知识表示学习补全方法中的计算效率和结构化信息考虑不足的问题,开展了三个方面的研究。(1)针对现有网络表示学习在链路预测中节点间关系考虑单一、计算效率低的问题,利用网络中节点之间的共同邻居的“资源分配”刻画节点之间的相似度,并将相似的节点映射到相近的向量空间中来学习节点的表示,提出了一种基于资源分配的针对链路预测网络表示学习方法(NELP)。(2)针对现有知识表示学习模型越来越复杂、参数过多的问题,利用知识图谱中的关系类型约束信息定义了关系类型评分函数,并将该评分函数与Trans E的评分函数相结合,提出了一种基于关系类型约束先验信息的知识表示学习方法(Trans RT)。(3)针对现有知识表示学习模型评分函数单一、结构化信息考虑不足的问题,利用概率有向图模型提出了一种结构化概率评分函数,利用有向概率图模型来对评分函数1)(?,,)进行建模,提出了一种基于概率图模型的知识表示学习方法(PGME)。论文在公开数据集上验证了提出的方法,NELP在6个真实网络数据上的链路预测精度均有所提高,且该方法对向量维度不敏感,具有较好的稳定性。Trans RT和PGME在5个来自Free Base和Word Net的数据集上进行了验证,实验结果表明,Trans RT在不改变模型参数数量的情况下,提升了简单模型知识图谱的补全效果;PGME在不存在可逆关系对的图谱中补全效果提升更为明显,能较好刻画出知识图谱中的结构信息。