知识图谱因其高度结构化的表现形式,在问答系统、智能推荐、智能客服等众多人工智能领域中广泛运用。虽然这些知识图谱中包含着大量的知识信息,且在相关应用中得到了很好的表现,但是仍存在稀疏性问题。如何通过抽取外界知识来补充知识图谱或在现有知识图谱上进行补全成为当下的一个重要研究热点。基于知识图谱嵌入的表示学习方法在其补全任务上表现出了良好效果。知识表示学习是实现知识图谱补全的高效手段,它将知识图谱中实体和关系表示成低维稠密向量,以向量计算的方式推理潜在的语义联系。然而这些算法往往只能处理实体间只拥有一阶关系的情况,在涉及实体间多个关系的情况则缺乏表达能力。为此,本文针对知识图谱中多关系路径中潜在的事实进行补全,并提出一种基于多跳关系问答的知识图谱补全算法的组合模型RL+Rotat E。本文工作内容如下:（1）以往的多跳问答采用强化学习的方法,根据查询在知识图谱上游走,抵达目标节点后停止。但在训练过程中,会存在测试集中的正样例被认为是错误的情况,此时代理（Agent）将会被奖励一个较低的回报,从而导致测试结果的准确率下降。本文受知识图谱嵌入技术的启发,通过知识图谱嵌入模型对三元组进行预训练,使得每个三元组都有一个预期奖励,从而有效避免训练时假负例对测试结果的影响。（2）在对知识图谱预训练的基础上,通过知识图谱路径推理过程得到最终的答案。此时答案和查询元素构成的三元组是同时被验证了的一个事实三元组。在一定程度上起到了知识图谱补全的目的。（3）本文的模型经过在相关知识图谱数据集上实验。通过与已有的同类算法模型实验结果比较发现,本文提出的组合模型测试结果有所提高。表明该组合模型在处理多跳关系问答的知识图谱补全的任务上是有效的。