知识图谱作为知识工程的最新成果,在人工智能的任务中得到广泛应用,其应用效果不仅取决于数据数量,还取决于数据质量。知识图谱补全研究有助于提升知识库本身的数据质量。知识图谱补全研究是通过利用内部信息进行知识库完善。目前国内外对于知识库补全的研究都是围绕知识单元进行讨论。为了预测图中节点之间缺失的关系链接,补全研究首先学习实体和关系的语义联系和结构特征,以获得嵌入后的向量表示,再凭借相似性理论评估实体之间潜在关系,从而实现知识库补全。现有很多方法是基于三元组建模的,因为三元组作为知识图谱基本单元能够反映实体和关系的基础联系。但这些方法未涉及知识库中更高维度信息,如关系路径中的多跳关系以及图谱结构信息等。图卷积神经网络是适用于图表示学习的神经网络结构,采用消息传递机制以局部迭代的方式实现全局节点特征学习。应用图卷积神经网络于知识图谱补全也存在一些问题:节点特征在消息传递过程中存在特征衰减情况;同时知识图谱本身属于异构的图结构,关系对应的边不仅具有方向性,同时具有独特的语义含义。为了解决上述问题,本文对图卷积网络进行改进以适用于知识图谱的补全任务。主要工作如下:（1）针对知识图谱中关系路径信息利用不充分的问题,对图卷积网络进行改进,提出一种基于层次注意力的知识图谱嵌入模型HIAGE。该模型在基于图注意力的知识图谱补全模型KBGAT的基础上引入层次注意力机制,学习不同层次下的实体关系特征。首先通过改进随机游走策略设计出关系路径取样策略,获取用以训练的关系路径样本。再通过翻译模型思想,将关系路径转化为构造三元组,实现深层次知识表示。最后层次注意力编码器捕获知识库内部多层次特征,通过ConvKB模型作为解码器对三元组相似性进行评估。在WN18RR、FB15k-237、UMLS、Kinship和NELL-995数据集上的实验结果表明,所提出的方法有效利用层次信息,对于结构信息丰富的知识库的补全效果优于相关工作。针对多对多复合关系时性能不佳的问题,提出了关系路径衰减的优化策略。该策略通过对关系加入衰减权重,使多对多关系有所区分,其中权重值基于关系在已取样的关系路径中重复出现的频次所设置。在WN18RR、FB15k-237、UMLS、Kinship和NELL-995数据集上的实验结果表明,加入关系路径衰减策略的层级注意力补全方法在链接预测实验中多指标得到了数据提升,验证了该优化策略的有效性。（2）针对动态知识图谱补全方法对时间维度利用不充分的问题,提出了时序感知补全方法,该方法是在四元组视角下进行补全。时序感知编码器改进图注意力网络对实体关系和时间进行特征提取,而时序卷积解码器通过改进ConvKB对经过特征提取的四元组嵌入向量进行相似性评估。在ICEWS14、ICEWS05-15、Wikidata12k和YAGO11k数据集上的实验结果表明,时序感知补全方法是有效的,消融实验验证了编码器和解码器彼此的有效性。