知识表示学习(KRL)旨在将知识图谱所包含的实体和关系嵌入进张量表示空间当中,从而在表示空间中完好地保存图谱的语义和结构信息,该技术广泛应用于自动问答、信息检索等各式各样的领域中。然而,先前工作的嵌入式表示学习结果往往是通过同质学习策略所获得的,即在学习过程中平等地对待每个实体和每个关系,从而忽略知识图谱所固有存在的不平衡性与异构性。因此,知识表示学习算法需要针对知识图谱的复杂结构进行改善,算法学习目标需要适应于知识图谱的异质性,进而在学习过程中有能力区别对待不同的知识类型。首先,本文对经典知识表示学习算法TransE的嵌入式表示结果进行了详细的可视化,揭示了同质学习策略的弊端,并对这种学习策略的改进思路与方法进行了研究,深入分析了嵌入式表示的空间密度与KRL模型质量之间的密切联系。由于不同知识类型的空间密度存在差异,固定的分离边距无法将嵌入式表示空间中的真实样本与伪样本分离开,因此不再适用于复杂的图结构。基于此,本文在基础KRL模型当中引入自适应分离边距,提出了一种基于分离边距的自适应表示算法提升框架AML。实验表明,AML算法提升框架能够在两大现实世界知识图谱Freebase和WordNet之上,帮助基础知识表示算法在链接预测与三元组分类的任务中获得更好的性能。接着,本文又对KRL算法当中两类样本的学习充分性进行了可视化分析,并发现真实样本与伪样本的学习是不够均衡的。因此,本文提出了一种基于成对权重的自适应表示学习算法提升框架AWL。该框架能够与基础KRL算法相结合,并根据知识异构程度在基础表示算法当中引入自适应成对权重,进而自适应地权衡真实样本与伪样本在算法目标当中的贡献程度。实验表明,AWL同样能够在两大知识库上提升基础表示学习算法的链接预测质量与三元组分类质量。最后,本文利用上述两个自适应表示学习算法提升框架AML与AWL对校园知识图谱BUPT-CampusKG(CKG)进行表示存储以及预测补全,综合开发了一套智慧校园知识图谱信息检索与可视化平台。