知识图谱是人工智能领域的一个研究方向,为机器阅读理解、智能问答系统和信息检索等多种智能应用提供重要的服务。知识图谱是由节点和边构成的网状结构,用来描述现实中的客观事实。其中,节点代表实体,节点与节点之间相连的边代表关系。虽然大部分的知识图谱库中已经包含了大量的数据,但仍有许多实体之间的隐含关系没有充分地挖掘出来。知识图谱中的数据缺失问题,会严重影响智能服务的效果。因此,需要研究针对知识图谱的数据补全技术,从而推测出实体之间隐含的连接关系,使其变得更加完整。对知识图谱进行补全时,本文使用了两种不同的途径。一种是利用外部新的数据源来提取知识,然后添加到知识图谱中。另外一种是基于知识图谱中已有的数据发现节点之间的连接规律,从而推出新的连接对知识图谱进行补全。本文的主要工作与创新点如下:(1)通过调研发现,利用新数据源进行补全时,以往的模型一般将关系抽取任务视为多分类任务。首先把一个句子作为输入,通过模型提取特征向量后便输入到分类器中得到最终结果。实际中,我们发现实体间的一种关系通常有固定的文本表达模式。如果两个句子的文本结构比较相似,它们极有可能表达的就是同一种关系类别。因此,不同于以往的模型,本文通过孪生网络来度量两个句子间的相似性。训练过程中,通过更新模型的参数,使得具有相同关系的句子的特征向量彼此靠近,具有不同关系的句子的特征向量彼此远离。在测试过程中,对于一个未知关系类别的句子,通过模型得到该句子与其它已知关系类别的句子间的距离。然后,使用k近邻算法得到其包含的关系类别。实验中,我们通过公开的数据集验证了模型的有效性。(2)在基于知识图谱中已有数据对其补全时,本文充分地利用了节点的连接信息对三元组进行建模。使用节点的一级连接信息时,针对不同的连接赋予了不同的权重,从而计算周围节点的加权和来得到节点的向量表示。然后,基于中间边的类型进行变换,得到对应的尾节点。(3)进一步的,当考虑节点的二级连接信息时,使用卷积神经网络来自动抽取不同类别的连接关系间的特征。如果节点附带文本信息时,使用双向的长短时记忆网络来自动特征。然后,在不同的关系类型下,得到预测的尾节点。实验过程中,使用公开的知识图谱数据集,通过三元组分类和连接预测验证了模型的有效性。下一步的研究工作,可以设计更好的算法策略来继续改进模型,也可以针对现实中领域知识图谱进行深入的研究。