近年来,越来越多的应用以图的形式表示数据,其中知识图谱（Knowledge Graph,KGs）以其结构化的特点受到了广泛的关注。知识图谱是真实世界信息的结构化表示,能够以机器可读的方式对复杂的数据建模,并且包含了丰富的知识,因此被应用于问答系统、金融、教育等多种行业领域中。然而知识图谱通常是庞大且稀疏的,并且通常是不完备的。另外潜在的三元组符号性质使得它在下游任务中难以被操作,为了解决这些问题,知识图谱嵌入表示学习（Knowledge Graph Embedding,KGE）被提出并得到了迅速的发展。知识图谱嵌入表示学习旨在学习知识图谱的分布式表示,用低维稠密的向量表示实体和关系,能够在维持知识图谱固有结构的同时简化操作。目前已提出了大量的KGE模型,其中基于深度学习的KGE模型利用深度网络结构很大程度上提高了嵌入的表达能力,但是它们强调对实体的学习,却对关系的嵌入学习相对简单;并且它们只利用三元组事实,忽略了多步路径中蕴含的丰富推理信息;另外复杂的网络结构容易发生过拟合问题,导致它们在真实数据集上的泛化能力较差。为了获取高质量且更具鲁棒性的嵌入表示,本文提出了基于注意力的知识图谱嵌入表示对抗学习算法,主要工作如下:（1）针对以往模型无法充分利用知识图谱中的潜在信息,以及对关系学习比较简单的问题,提出基于关系路径与双层注意力的知识图谱嵌入表示学习模型（Hierarchical Attention with Relation Paths for Knowledge Graph Embedding,HAPKE）。HAPKE构建了双层注意力编码器,在深度学习的基础上结合关系路径辅助模型学习嵌入。首先在三元组级别,HAPKE利用注意力机制学习三元组及邻域上的信息;然后在路径级别,根据关系与对应路径的语义相似性筛选路径,并在三元组级别关系嵌入的基础上建模路径用于更新关系嵌入,利用路径中蕴含的丰富信息深入地学习了关系。之后将学得的嵌入表示输入到解码器中,进一步地提取了三元组及路径上的隐含特征,并且很好地维持了三元组的平移特性。最后在FB15K、FB15K-237、WN18RR、Kinship四个通用知识图谱上执行链路预测任务,并在UMLS数据集上进行案例分析验证了HAPKE模型的有效性。（2）针对复杂的网络结构容易发生过拟合并且导致模型具有较差鲁棒性的问题,进一步提出基于生成对抗网络的知识图谱嵌入表示学习模型（Generative Adversarial network based Knowledge Graph Embedding,GAKGE）。对抗训练可以有效增强模型的鲁棒性,因此GAKGE引入生成对抗网络作为对抗训练组件,实质上可以看作是模型的正则化项。通过对抗训练约束嵌入表示学习的过程,同时建模了数据的不确定性,有效地缓解了过拟合问题,并且提升了模型的泛化能力,使得学到的嵌入表示更具鲁棒性。最后在四个基准数据集上进行链路预测实验,以及一系列参数敏感度分析及消融实验来验证GAKGE模型的有效性。