随着计算机技术的发展以及大数据的广泛应用,知识图谱代替关系数据库成为了很多系统的底层基础,例如各大搜索引擎、问答系统等。知识图谱的优越性在于强大的知识表示能力和快速的检索推理能力。随着现实世界的知识不断增长,知识图谱也需要动态的更新,从而引出了知识图谱的补全问题,通过一些表示推理模型来预测缺失的实体或连接。然而,知识图谱当中还存在长尾现象,大部分关系的训练实例较少,传统的关系预测模型面对这一类关系并不能得到很好的效果。因此,少样本知识图谱补全问题被提出,目的是在训练样本较少的情况下得到很好的预测效果,当前已有研究者提出了方法,但现存方法都存在对数据的利用不充分,训练效率低,以及对模型的解释性研究不足的问题。为了解决以上问题,本文主要从以下两个方面进行研究:面向少样本关系预测模型的性能方面,从实体邻居结构的聚合方式和相似度计算方式的角度着手,提出基于邻居聚合的少样本关系预测算法;面向模型的解释性不足的问题,从输入数据和模型参数这两个角度出发,分别对所有对比模型和本文提出的模型进行实验分析,实现模型的解释性研究。本文旨在提升知识图谱的少样本关系预测性能的同时,对模型产生结果的影响因素进行分析。主要研究工作总结如下:1.针对现有少样本关系预测方法对数据的处理不够充分,训练效率低的问题,本文提出基于邻居聚合的少样本关系预测方法。具体思路如下:首先,本文对实体的邻居结构进行更细粒度地学习,提取邻居信息中有用的特征,并与原实体结合,使实体表示包含更多有用信息,利于模型推理预测。其次,结合多个相似性度量函数,从多个角度对实体对的相似性进行评估,将多个度量的结果聚合,得到相对准确的相似性分数。最后,为了解决少样本问题,本文利用了元学习机制对模型进行训练,并将训练好的模型在测试数据上进行微调,从而达到更好的预测效果。该方法实现了少样本关系预测模型准确率和效率的提升。2.针对现有研究对少样本关系预测模型的解释性不足的问题,本文设计了一个解释性研究框架。首先,对于通用的输入数据集,从内容和数据量两方面进行实验设计,比较分析数据对模型产生结果的影响。其次,为了进一步对本文提出的模型进行解释性研究,对模型中可以调整的超参数进行实验设计,分析各参数对模型性能的影响。本文提出的解释性研究方法也适用于其他少样本关系预测模型,参数可根据具体的模型调整。本文使用现有研究通用的两个数据集验证本文所提出的算法。实验结果表明,本文设计的基于邻居聚合的少样本关系预测方法不仅能提升少样本关系预测的准确性,而且能减少模型的训练时间。