知识图谱是知识库中大量三元组链接而成的数据库,广泛应用于搜索引擎、问答系统、推荐系统等知识驱动任务。知识图谱的不断扩充使得基于知识图谱的知识推理难以有效进行,因此,知识表示学习应运而生。知识表示学习在向量空间中学习实体和关系的低维稠密向量表示,从而对知识图谱进行建模以保存其本质的结构信息和语义信息。知识表示学习在很大程度上缓解了数据稀疏和传统方法面临的计算效率低下问题,进而提升了知识驱动任务的性能。因此,研究知识表示学习具有重要意义和应用价值。基于三元组的知识表示学习模型在建模知识图谱时总是独立地处理每个三元组,忽略了知识图谱的结构信息。知识图谱的结构信息充分的反映了实体和关系的邻域信息,进一步刻画了实体与关系之间和实体与实体之间的语义交互。因此,本文从知识图谱的结构信息入手,结合实体和关系所处的邻域,分别探索了融合部分邻域信息和融合全部邻域信息的知识表示学习方法。研究内容如下:（1）针对融合部分邻域信息,提出基于聚合的图卷积知识表示学习方法。首先,使用基于聚合的图卷积网络编码器聚合邻居实体及相连关系的信息;其次,将聚合的表示用于更新中心实体的表示,并且使关系表示进行自我更新。该方法极大缓解了大部分基于三元组的模型在知识表示学习过程中无法有效融入实体所在邻域的信息这一问题。（2）针对融合全部邻域信息,提出基于双注意力的图卷积知识表示学习方法。首先,在图卷积网络编码器中设计两个注意力机制同时评估邻域的重要性;其次,根据不同重要性融合邻域信息;最后,根据融合的邻域信息更新实体和关系的向量表示。该方法同时考虑了邻域对实体和关系的表示学习造成的影响,极大促进了实体与关系之间和实体与实体之间的语义交互。本文对基因本体数据进行建模,结合基因功能相似度分析任务,评估了基于聚合的图卷积知识表示学习方法的性能,同时在标准的链接预测数据集上测试了基于双注意力的图卷积知识表示学习方法的性能。实验结果表明,在知识表示学习中利用图卷积网络融入知识图谱的结构信息能充分地对知识图谱进行建模。