自谷歌发布基于知识图谱（Knowledge Graph,KG）的搜索引擎产品Knowledge Vault以来,微软Satori、搜狗知立方、百度知心等产品也紧随其后,知识图谱在行业内和学术界普遍引起关注。知识图谱利用实体和关系将客观世界中的对象以及它们的属性关系显现出来,为互联网中庞大的非结构化信息提供了一种行之有效的处理方式,通过知识抽取、知识表示和知识融合等一系列过程对开放域信息组织管理、消歧整合和推理更新,使得网络信息整理的智能化水平逐步提高。然而受到现阶段开放域信息抽取技术发展不足和公开数据源知识缺失的影响,知识的不完整性已经成为限制知识图谱和下游应用发展的主要原因。关系推理技术是根据知识图谱中已经存在的知识,通过推理实体间的属性和关系,来获得新的知识。依靠知识图谱的关系推理技术,可以对知识图谱进行补充完善,以及对开放域信息抽取获得到的知识进行筛选过滤,保障知识质量。关系推理技术已经是推动知识图谱发展的主要技术之一,越来越受到人们重视。本文的主要研究内容是基于知识图谱的关系推理算法,通过对近年来国内外关系推理算法深入调研,对传统的知识表示学习算法和较新的机器学习算法进行分析总结。本文的工作重点主要是针对机器学习算法及其应用的研究,主要贡献如下:1.通过研究发现目前工作中建模多关系图的算法大都存在参数化过度的问题,并且仅限于学习节点的表示,本文提出了一种在图卷积网络框架下,基于节点关系融合感知（Node-Relation Fusion Perception,NRFP）的知识图嵌入算法,利用组合算子将节点和关系共同嵌入关系图中,同时为不同的边类型分别定义了滤波器,提高了模型利用中心节点邻域信息的能力,增强了知识图嵌入模型的推理性能。最后,通过实体分类和链接预测实验,证明了该模型的有效性。2.为了验证知识图谱在知识推理中起到的重要作用,本文提出了一种基于图卷积网络的生成特定知识的模型GCN-Bi LSTM,利用图卷积网络和双向长短时记忆网络提取特征信息,最后生成基于特定标题的摘要知识。通过实验结果对比发现,利用知识图提取特征的方法在周围邻域中对节点进行编码时,能够考量更多的结构信息,更好地帮助生成标题指定的摘要知识,且生成摘要的质量要优于对比模型,在一定程度上满足了学术论文的摘要要求。