随着人工智能技术的快速发展,知识图谱作为该领域内的重要基础技术,其重要程度也日益提升。各大企业和研究机构纷纷推出了自己的知识图谱。知识图谱的构建以相关语料库为基础,但仅仅使用单一语料库会导致信息的覆盖面较低,存在信息丢失的情况。因此需要对多个语料库进行融合,从而构建一个完备的知识库,进而可以有效解决信息缺失的问题。而有效的实体对齐技术正是数据融合的关键所在。另一方面,知识图谱一般将实体表示为网络中节点,关系表示为节点之间的边。我们可以通过现有知识去推论潜在知识,进而补全知识图谱。现有的知识图谱补全大多采用以翻译模型为代表的知识表示学习模型,但翻译模型没有充分利用知识库自身实体三元组结构外的实体描述文本,而这些实体的描述文本也可以为知识图谱补全提供大量的信息。本文从以上两个方面出发进行了深入研究,主要研究内容如下:(1)针对目前中文百科实体对齐方法中忽略非结构化摘要文本的语义信息的问题,通过引入改进的WMD(词移距离模型)算法,提出一种基于实体属性和摘要文本信息的中文百科实体对齐方法。本文首先对实体属性的属性名和属性值进行规范化处理后,通过编辑距离算法计算属性相似度。其次,对摘要文本通过改进的WMD算法计算摘要文本的语义相似度。在综合两个相似度之后来完成实体对齐任务。最终,通过实验证明,该方法较好的提升了实体对齐的效果。(2)由于现有的表示学习模型未能充分利用实体的描述文本,为此,本文提出了一种融合文本信息的知识表示学习模型。通过使用深度卷积神经网络来对实体的描述文本进行编码,进而得到文本表示语义信息,同时使用Trans H模型对头尾实体进行映射建模,然后基于两者建立了一种联合学习模型。实验证明,相较于原有的知识表示模型,该模型具有更为良好的表现。(3)构建一个小型的千岛湖旅游知识图谱。在爬取、存储了携程、艺龙、大众点评等网站的千岛湖景点、酒店、餐饮的相关旅游信息之后,通过上述设计的实体对齐算法将多源的数据信息进行融合对齐。其次,使用融合文本信息的知识表示学习模型对融合后的知识库进行补全,进一步丰富了千岛湖旅游知识图谱。