知识图谱是一种描述物理世界中的实体概念及其相互关系的图结构知识库。知识图谱实体嵌入方法则旨在表征实体特征,得到实体低维稠密的向量表示,使得对知识图谱的分析推至数值计算层面,生成的实体嵌入可广泛应用于机器学习相关的下游任务中。现有知识表示学习方法多是针对知识图谱的三元组结构进行实体和关系建模,忽略了实体之间的复杂关系,如实体的多步路径和多阶邻域信息等。此外,基于图结构的表示学习方法认为图中相近的实体共享相似的特征,生成的嵌入表示在向量空间中更加相近,相距较远的实体对应的嵌入将更加远离。此类方法忽略远距离的实体的结构相似性,也未能考虑实体属性相似性对实体的影响。这种不同层面的实体相似性可用不同的网络角色来体现。由相同角色的实体构成的实体路径可用来更为全面地表征实体在图结构中的特征。本研究主要研究工作如下:1.提出知识图谱中实体的网络角色发现方法。首次将网络角色概念用于统一化表征实体的多种语义相似性,实体的不同相似性将对应不同的角色发现方法。本研究共提出了知识图谱中实体的四种网络角色:同质性角色、基于属性相似性的角色、基于结构相似性的角色和基于中心性相似性的角色。2.提出基于网络角色的实体路径建模方法。采用随机游走模型生成基于不同网络角色的实体路径,并分别使用Skip-Gram和CBOW-attention神经网络模型对实体路径进行无监督特征提取生成实体嵌入。3.将基于网络角色的实体嵌入方法应用于知识图谱的实体画像工作。实体画像的核心工作是将实体的嵌入表示用于实体相似度计算,进一步去度量实体标签的区分性。并对实体画像结果进行可视化,使得用户能从大量冗余的实体描述信息中获取到具有区分性的实体结构化标签信息。本研究在开放域知识图谱DBpedia及其它领域相关知识图谱等数据集上对生成的实体嵌入进行了实体相似度、实体分类和链接预测等下游任务的评估。大规模知识图谱生成的实体嵌入表示可离线保存或作为背景知识链接到其他数据集,具有一定的工程应用价值。