随着互相网的发展,网络数据呈现爆炸式的增长,因此知识图谱的不完整性成为制约其被广泛应用于智能搜索、智能问答、个性化推荐等领域的主要问题。而实体预测作为知识图谱补全的重要组成部分成为近年来知识图谱的研究热点。本文在现有研究的基础上,结合旅游领域实体较多、关系比较明显的特点,以实体链接为入手点,进行了面向旅游领域的实体预测方法的研究工作。主要完成了以下研究工作:（1）基于关系指数和表示学习的旅游领域集成实体链接针对现有实体链接方法不能很好结合文本信息和知识库信息的问题,结合旅游领域特点,提出一种基于关系指数和表示学习的旅游领域集成实体链接方法。首先构建了特定领域知识库;其次运用表示学习从文本信息中得到的向量表示计算实体指称项的上下文、主题关键词、扩展词三个特征的相似度;然后利用知识库中的关系信息计算候选实体的关系指数;最后将这三种相似度及关系指数相融合,用于实体链接。实验结果表明,相较于现有方法,该方法能够有效的提高F₁值,并且该方法不需要标注语料,更加简单高效,适应于缺少标注语料的特定领域。（2）可学习图自注意力网络的端到端旅游领域知识表示学习针对现有方法没有考虑知识图谱的全局图结构信息以及知识信息不均等的特点,提出一种可学习图自注意力网络的端到端旅游领域知识表示学习方法。首先利用图自注意力网络得到知识图谱中实体节点的相关性排序;其次根据得到的相关性排序构建可卷积知识子图,获得实体的编码表示;再对关系信息进行建模,获得关系信息的编码表示,并将实体和关系的编码表示结合,获得最终的三元组嵌入表示;然后利用Conv KB模型,通过可信度得分函数对得到的三元组嵌入表示进行解码,最终获得信息更全面的知识表示。该方法利用多头图自注意力机制,赋予图谱节点不同的重要程度,并且实现了知识子图的卷积操作,增加了网络模型的可学习性。同时在解码器部分通过改进构造负样本的方式,降低了不良负样本对模型的影响。实验结果表明,提出的方法能够获得信息更丰富的知识表示,有效的提高了Hits@10、MRR值。（3）增强内部逻辑的旅游领域实体预测面向知识图谱的实体预测,即根据已有知识信息预测出潜在的三元组,在语义搜索和智能问答等应用领域发挥着重要作用。现有的实体预测方法,主要是基于表示学习或融合关系路径的方法,利用实体和关系的向量计算进行实体预测。但是这些方法在学习能力和泛化能力以及在多逻辑的实体预测任务上都表现不佳。针对以上问题,提出一种增强内部逻辑的旅游领域实体预测。该方法首先利用p Trans E模型得到实体和关系的向量表示;然后通过Mem N2N网络模型,根据得到的知识表示信息学习预测出实体信息,从而实现补全知识图谱中的三元组。该方法利用了知识表示的强计算能力和Mem N2N的强学习能力、泛化能力以及多跳注意力机制。实验结果表明,提出的方法在多步推理方面表现优异,能够有效的提高Hits@10、MRR值。