知识图谱将现有的知识构建成大型的网络系统,是人类过往经验与智慧的结晶,如今在人工智能的各种任务中发挥着愈来愈重要的作用。知识表示学习的目的是将知识图谱中的实体和关系投影到低维的向量空间,使知识图谱能够更加便捷地应用于各种下游任务。知识图谱中,实体的文本描述信息、实体的层次类型信息和图的拓扑结构信息中隐藏着丰富的内容,是对结构化三元组的重要补充。将这些多源信息进行组合,能够帮助提高知识图谱各种任务的效果。为了充分利用这些信息,首先通过一维卷积神经网络嵌入文本描述信息,然后根据实体的层次类型信息构建投影矩阵,将三元组中的实体向量和实体的描述向量映射到特定的关系空间中来约束实体的语义信息,再基于图注意力机制融合图的拓扑结构信息,计算不同邻接点对实体的影响。在图注意力层中,计算了实体间的多跳关系来帮助改善数据稀疏的问题。此外,模型训练时引入了生成对抗网络来生成高质量的负样本三元组,以充分发挥模型的表示能力。最后,通过二维卷积神经网络来捕获不同维度间的全局信息,进一步提高模型的性能。知识图谱上的链接预测和三元组分类实验结果表明,基于多源信息组合的知识表示学习模型能够充分利用三元组以外的多源异质信息,因而相比于其它基线模型,取得了更好的实验结果。