人工智能中一个很重要的组成部分——知识图谱,能将互联网中海量的信息进行有秩序地组织、管理与理解。通用的知识图谱结构是以三元组（实体1、关系、实体2）的形式表示,如何对知识图谱的知识进行更好的表示,使得计算效率与可操作性不断提升,是对知识图谱的整体质量提出的高层次要求。知识图谱表示学习方法旨在将知识图谱的实体与关系表示为低维、稠密的向量,并用于高效的语义计算,在知识图谱的构建、融合以及其他方面发挥重要作用。传统的知识图谱表示学习模型通常考虑了知识图谱中已有的事实,而忽略了知识图谱中隐藏的语义信息。目前的数据增强知识图谱表示学习模型需要借助第三方工具或者大量人工干预,数据的可靠性与稳定性有待加强。此外,同一个实体出现在不同三元组的头实体或尾实体位置时,表达的核心信息往往存在差别,而现有的模型未对这一部分位置敏感的信息进行提取并加以利用。针对以上问题,本文主要研究内容包括:（1）提出了一种基于互逆和对称关系补全的知识图谱数据扩展方法,该方法能简单高效地对广大知识图谱数据集进行扩展,直接增加了有效三元组,极大程度提高了现有通用表示学习模型的效果;（2）提出了一种基于先验知识的互逆关系语义逻辑约束,该方法加强了互逆关系三元组实体对表示的逻辑合理性,进而提高表示学习效果,并且在通用表示学习模型上表现出良好的普适性;（3）提出了一种基于位置信息敏感的知识图谱表示学习模型,有效提取实体在三元组中的位置敏感信息,将此额外信息加入到表示学习过程中,在链路预测实验上表现出良好性能。通过标准的链路预测实验表明,方法（1）与方法（2）对以往的表示学习方法有不同程度的加强与改进,方法（3）所提出的模型取得了良好性能,超过了以往大部分模型的效果。