知识图谱的本质是一个具有有向图结构的知识库,是利用事实三元组的形式从非结构化文本中抽取信息。被广泛应用到信息检索、推荐系统等领域。在知识图谱构建过程中,关系抽取和知识图谱补全是其中两个关键子任务,鉴于表示学习可以充分使用知识图谱中实体和关系的表征信息,本文从表示学习的角度对关系抽取任务和知识图谱补全任务展开研究。首先,关系抽取是在给定文本中抽取头实体和尾实体之间关系,进而更好的构建知识图谱中的关系信息。当前深度学习技术在关系抽取领域取得较好成绩,但是深度学习模型严重依赖大规模标注语料,且头尾实体信息的作用没有被充分的挖掘。针对以上问题,本文提出一种基于实体卷积的原型网络关系抽取方法,将经过BERT编码的头实体和尾实体向量转变成多个卷积核,在原句子上进行卷积操作,抽取句子中与实体相关的特征,使得抽取的特征能够更多的表征头尾实体信息,然后利用原型网络对抽取到的特征进行分类。该方法解决稀疏标注下模型性能受限,句子中的实体信息没有被充分利用的问题。最后,在Few Rel 1.0和Few Rel 2.0数据集上对本文提出的基于实体卷积的原型网络关系抽取模型进行实验对比分析,验证本文所提方法的有效性和优越性。其次,知识图谱补全根据知识图谱中已有的实体和关系挖掘潜在的三元组,进而完善知识图谱。当前基于神经网络实现的知识图谱补全模型取得较好成绩,但仍对实体和关系的表征信息利用不够充分。因此,本文提出一种基于2D卷积的知识图谱补全方法,对实体嵌入和关系嵌入在元素级上融合生成2D矩阵,该矩阵能够融合更多头实体和关系的表征信息,利用2D卷积操作抽取矩阵中的特征从而更好的拟合尾实体。最后,在WN18RR、FB15k-237、KINSHIP和UMLS数据集上对本文提出的基于2D卷积的知识图谱补全模型进行实验对比分析,验证本文所提方法的有效性和优越性。