知识图谱是图结构的知识库,用于存储现实世界中的实体关系和实体属性。目前,知识图谱的数量和规模呈现爆炸式增长,实体拥有大量的描述信息,导致用户无法快速准确地理解这些实体。当实体理解任务的对象是具有一定相关性的一组实体时,用户将面临更大的挑战:多个实体构成的特定群体通常拥有大量复杂、交错的描述信息,用户很难有效地理解特定群体与其他实体间的差异性。群体画像方法是解决群体理解问题的一个有效手段。该方法尝试用简洁、可理解的实体标签代替群体的大规模的描述信息,以帮助用户直观、快速地捕获一组实体与其它实体间的差异性特征,刻画群体的边界。传统的群体画像方法需相关领域专家充分了解数据后人工设置标签库。但当面对一个全新且庞大的数据时,该方法会存在以下问题:1)人力代价问题。领域专家通过分析得到描述区分性特征的实体标签。这一知识工程通常需要付出高昂的人力代价,从而使得面向大规模知识图谱的人工标签制定变得不可行;2)知识动态性问题。当知识的规模或领域发生了更新后,领域专家很难及时有效地捕获新知识的特征,导致无法快速准确地更新标签库。针对这些问题,本文提出面向知识图谱群体画像的标签自动生成方法。基于自动生成的标签库,本文进一步提出一种基于图注意力网络的群体画像模型来完成实体群体的画像任务。本文提出的方法实现了群体画像过程的自动化。本文的主要工作如下:（1）提出了知识图谱中标签库自动生成方法。通过分析知识图谱中实体复杂的关系以及属性描述,设置三种不同类型的实体标签。借助数学统计推断、连续属性离散化、启发式规则过滤等技术手段实现标签库的自动生成,解决传统群体画像中人工设置标签库的问题。（2）提出了一种基于图注意力网络的群体画像模型。通过面向实体和实体标签的嵌入方法得到每个实体和实体标签的向量表示,引入基于注意力机制的图神经网络实现实体群体画像任务。基于自动生成的标签库,该模型可以筛选出群体中top-k个具有代表性和区分性的实体标签,并度量每个实体标签在群体中的重要程度。（3）构建了知识图谱实体群体画像原型系统。该原型系统实现了数据集查看、标签库自动生成、群体画像等功能。本文在多个真实数据集上对以上方法的可行性和有效性进行了验证。实验结果表明,本文提出的画像方法相较于基线方法在Hit Ratio和平均准确率上均有所提升。