对基于深度学习的知识图谱关系预测方法进行研究能够对节点间关系的推理与隐含信息挖掘产生较大现实应用价值。其可用于犯罪预测、推荐系统、自然语言推理等系统及方法中。本文对基于知识图谱的关系预测方法进行研究,并将其应用于推荐系统中以提升准确率。本文主要解决由于图谱信息挖掘不充分而导致的推荐不准确问题。首先,为了更好地利用并挖掘图谱信息,得到更加准确的图谱关系表述,本文提出了一种基于RNN网络和Rotat E策略的关系预测方法。其次,为了解决知识图谱信息表述不充分而引起的推荐不准确问题,本文提出了一种基于极化关系表述的推荐方法。最后,为了捕获图谱中的全局信息,进一步提升推荐准确率,本文提出了一种基于强化学习的自适应奖励采样方法。本文的主要工作如下:1、针对基于知识图谱的关系预测方法通常使用路径导向的策略而忽略了节点邻域关系的差异,导致过多的路径冗余信息,使得预测准确率降低的问题。本文提出了一种基于RNN网络和Rotat E策略的方法,通过对节点邻域关系进行嵌入学习和准确表述提升了关系预测的准确性。首先通过RNN网络有效学习不同节点邻域的数据关联特性,使得参数中包含邻域节点信息;然后采用Rotat E分数策略去描述节点关系的差异,使得编码端节点关系得到更加明显的区分。为了充分利用上述方法,解决图谱信息在传统推荐算法中表述不充分问题,本文进行了如下工作。2、在推荐系统中,针对传统方法对于节点间的关系表述不够准确,同时往往忽略了节点间低维数据所隐藏的关系特征的问题。为了提升推荐准确性,本文提出了一种新的基于极化关系的表述方法,将节点间的表述映射到酉空间,丰富了节点间关系表述的有效信息;此外,设计了一种对知识图谱嵌入和推荐过程低维数据进行关联学习的方法,深入挖掘其所隐藏的丰富与细致关系,从而提升了推荐的准确率。为了进一步提升推荐准确率,解决图谱全局信息在推荐过程中挖掘不充分问题,本文进行了如下工作。3、在推荐系统中,针对传统基于强化学习采样不够准确问题。本文提出了一种新的融合了采样点正负样本状态及购买行为的自适应权重分配奖励函数,解决了由于权重分配不均匀导致的目标转移不准确问题。同时,本文通过融合图聚合及图卷积的策略网络,降低采样点对邻居节点的依赖,解决了图网络中结构及属性信息未充分学习的问题,并提升了推荐准确率。在上述工作中,本文提出的基于极化关系的知识图谱表述方法是最重要的贡献。其解决了由于图谱信息表述不充分而导致的关系预测及推荐不准确问题。同时,在基于深度学习的知识图谱关系推理应用研究中,本文所提方法能够更加合理且有效地挖掘知识图谱中的有效信息,从而提升准确率。通过将向量映射到酉空间,能够在推荐应用中更加准确的对节点间关系进行表述进而提升推荐准确率。最后,本文通过引入强化学习的自适应采样方法充分挖掘图谱中的全局信息,使得图谱信息得到更好的利用,进而提升推荐准确率。