知识图谱是当今大数据时代至关重要的信息数据库,未来将在零售、供应链、金融等领域持续发挥信息的检索和推理作用。知识图谱虽然已经对知识信息进行了结构化的表示,但在实际生产应用中如何利用这些信息仍然是一个巨大的挑战。而知识图谱表示学习为知识图谱实际应用信息的使用提供了重要的解决途径。知识图谱表示学习技术逐渐成为知识图谱应用到生产领域的关键一环,可以应用于推荐系统、知识问答、自然语言理解等众多领域。大多数现有的知识图谱表示学习方法都将目光集中于知识图谱中现有的三元组内部所蕴含的信息。近年来,许多研究显示,知识图谱中实体之间的上下文信息,诸如实体间隐藏的联系、邻域信息、路径信息等都可以对知识图谱表示学习任务起到十分可观的作用。本文着重对实体间隐藏的联系和邻域信息进行了研究和实验,探讨了它们在知识图谱表示学习的中的影响。对于实体间隐藏的联系,我们提出一种结合注意力机制的知识图谱表示学习翻译模型。我们在添加非线性映射的Trans D的基础上,将实体与其他实体之间使用注意力机制联系起来,进一步增强了模型的效果。此外我们的模型复杂度相对神经网络模型较低,但是依然具有不差于神经网络模型的效果。对于邻域信息,我们提出一种结合邻域信息的表示学习神经网络模型。我们在神经网络模型的基础上,添加了邻域信息通道。我们使用随机游走技术获得实体的邻域实体节点序列,并将其通过卷积神经网络分析特征信息。然后我们将邻域信息通道和原本的三元组信息通道结合起来,生成最终的预测结果,并通过实验证明了邻域信息在知识图谱表示学习中的作用。