随着互联网及移动互联网的不断发展,数据以爆炸式的速度增长,知识图谱作为数据的一种直观并形象的表示形式,能够有效地表示数据中蕴含的知识。但由于数据的动态发展以及知识图谱构建技术的不足,目前已知的知识图谱仍然具有不完善性和错误性,因此对其进行补全成为目前的研究热点之一。在知识图谱补全过程中,对实体间的关系进行推理是非常重要的一个环节。目前的关系推理方法一方面忽视了实体间多跳路径中的隐含信息对推理结果的影响,另一方面忽视了实体描述和实体类型对推理的影响。本文提出一种融合实体信息和多跳关系路径信息的关系推理方法,主要研究工作如下:（1）针对目前推理模型忽视了实体间多跳关系路径中的隐含信息对推理结果的影响,提出一种融合多跳关系路径信息的关系推理模型Att-Conv Bi LSTM。首先通过路径排序算法PRA（Path Ranking Algorithm）进行随机游走获取实体之间的所有关系路径。之后利用卷积神经网络CNN（Convolutional Neural Networks）提取每条路径上的局部特征并将其嵌入到低维空间中。然后利用双向长短时记忆网络Bi LSTM（Bi-directional Long Short-Term Memory）对局部特征进行编码并生成关系路径表示向量,有效解决了梯度消失的问题。实验结果表明,与目前常用的关系推理方法相比,Att-Conv Bi LSTM模型具有更高的精确率。（2）针对目前的注意力机制忽略了每条路径可以提供不同的关系推理证据的问题,本文采用加性注意力机制将候选关系向量与关系路径向量进行组合,并计算其匹配分数,加性注意力机制可以有效地考虑较小的值,在计算得分方面表现出更好的性能。另外,在推理过程中采用多步推理方式,将每次使用注意力机制得出的推理结果继续使用注意力机制。在每一步推理中,都会生成一个新的查询关系嵌入向量来表示推理证据,从而能更有效地利用多路径中的局部特征,提高了推理精确率。（3）针对实体描述和类型对推理结果的影响,提出了一种融合实体类型和描述的知识图谱嵌入模型EFTD（Embedding Fusion of Entity Type and Entity Description）对实体描述和所有实体类型进行嵌入,从而更好地提取实体以及实体间关系路径中的局部特征和隐藏信息。通过在NELL995数据集上进行实验发现,Att-Conv Bi LSTM结合EFTD模型的关系推理结果比未结合EFTD模型的推理结果,精确率大幅提高。由此可见,EFTD+Att-Conv Bi LSTM模型可以有效应用于知识图谱的实体间关系推理中。