知识图谱是一种利用语义关系来表示和组织知识的技术,它通过将海量的知识资源以网络化的方式整合起来,构建起一张庞大的语义网络,使数据能够以类似人类认知的方式被组织和理解,从而为人们提供更加精准的服务。知识图谱的构建是一个复杂的过程,其中最重要的部分之一是知识图谱的补全。在构建知识图谱时,由于大量信息来源于文献和网络,因此在提取这些信息时可能会遇到困难,从而导致知识图谱中缺乏完整性或准确性。知识图谱补全的目的就是通过推断缺失的信息,使得知识图谱更加完整和准确。Trans E模型和Trans H模型是目前比较常见的知识图谱补全模型,它们都是基于翻译的思想来进行知识图谱补全,但是在进行推理的过程中,它们往往会忽略三元组中的丰富语义信息,因此存在一定的局限性。为弥补这一缺陷,本文构造了一种融合自适应增强语义信息的知识图谱补全方法,并且探索了相关应用,设计了基于知识图谱补全的电影问答系统。主要工作如下:（1）为了获取三元组中固有的隐藏语义信息,本文将三元组中的实体和关系的文本表示输入到BERT模型中进行微调,捕捉实体和关系的语义信息,从而生成带有语义信息的高维三元组词向量。（2）考虑到高维向量会对实验效果产生影响,本文参考BERT-whitening模型,使用高维词向量降维的方法,通过协同方差和正交变换原理实现了降维,从而生成更高效的语义向量表示。（3）本文还注意到三元组中实体和关系的语义信息注意力表示,采用了注意力特征嵌入的方法计算了正负三元组中关系与实体间语义注意力得分,并将其融合到结构信息中,形成语义信息的软约束规则,将该规则添加到Trans H翻译模型中实现语义信息的自适应增强。（4）通过在FB15K及WIN18数据集上进行实验对比,本文所提出的方法在效果上相较原翻译模型具有一定提升,验证了方法的合理性和有效性,从而一定程度上增强了翻译模型的表达效果。在完成关键问题研究工作的基础上,本文还进行了电影知识问答系统的总体设计和实现,并对系统进行相关测试和分析,证明了系统的可用性、易用性和用户友好性。