知识表示与推理一直以来都是人工智能领域的研究热点之一,并在搜索、推荐、问答系统等许多领域得到了广泛的应用,而服务机器人作为人工智能技术集中展示的平台,利用知识表示与推理技术增强其认知能力也是需要研究的问题,因此我们在可佳和佳佳机器人平台上研究并实现了相关应用。同时传统的符号化知识表示方法难以应对规模不断增长的知识图谱系统,因此知识表示学习技术逐渐受到大家关注,本文针对知识表示学习模型中负采样算法的缺陷进行了研究。本文主要工作和创新点如下:家庭服务机器人的认知能力的核心是知识表示与推理。在可佳服务机器人中,知识主要由世界模型和任务规划两个模块进行存储,世界模型主要存储环境信息,由简化的Ontology方式进行存储,这种表示方式表达能力差且难以维护,本文使用基于RDF的知识图谱系统对其进行重构,增强了知识的表达能力同时可以保留环境信息的动态变化。佳佳服务机器人的主要功能是人机交互,本文为其开发了安徽省旅游知识图谱,并基于此实现了旅游行程规划功能。由于知识表示学习模型需要通过正样本与负样本进行判别训练优化知识表示向量,而绝大多数模型中都使用负采样算法构造负样本用于训练,但是在这种方法下生成的负样本置信度通常很低,会使模型快速收敛停止优化。本文提出了一种对抗式负样本生成算法用于负样本生成,通过利用正样本信息由生成器生成负样本与判别器进行对抗训练,文中实现了5种不同目标模型作为判别器为生成器提供回报,最后用判别器中的知识表示向量在三个数据集上进行链接预测与三元组预测实验,实验结果表明本方法可以有效提升知识表示学习模型的训练效果。