随着人工智能技术的不断发展，知识图谱（Knowledge Graph）已成为结构化知识驱动智能应用的核心数据支撑。知识图谱本质是一种语义网络（Semantic Web），其节点代表实体（Entity）或者概念（Concept），边代表实体或概念之间的语义关系（Relationship）。知识图谱包含大量结构化知识，形如三元组：<左实体，关系，右实体>，例如：<奥巴马，出生于，夏威夷>；二元组：<实体，实体类型>，例如：<奥巴马，人物>。知识图谱帮助机器理解知识语义信息，广泛应用在语义搜索（Semantic Search）、问答系统（Question Answering）、智能客服（Intelligent Customer Service）等智能应用。然而，由于知识图谱自动构建中知识抽取技术的准确度有限，导致知识图谱面临非常严重的噪声问题，如：知识三元组噪声、实体类型标注噪声。因此，针对噪声的知识图谱建模技术具有重要的应用和研究价值。
　　知识图谱表示学习（RepresentationLearning）作为知识图谱的核心技术已经成为知识图谱领域的研究重点。表示学习是一种基于机器学习的方法，通过构建样本对象的语义模型，将样本对象嵌入到向量空间，用向量来表示样本对象，从而捕捉对象的语义信息或本质几何结构，在嵌入式向量空间中实现数据的分类、聚类或者推理等。然而，传统知识图谱表示学习模型面临两大问题：（1）它们忽略噪声问题，存在不足，会导致后续应用系统出现错误；2）它们只关注知识图谱关系预测，忽略知识图谱实体类型推理。
　　针对以上问题，本文提出了一种基于置信度的表示学习模型（TrustE），旨在解决噪声环境下实体类型表示学习问题，该模型能检测出现有知识图谱中可能存在的实体类型噪声，并实现实体类型推理。具体来讲，我们首先考虑到实体和实体类型语义上并不相同并且存在复杂关系，所以我们利用投影矩阵将实体和实体类型投影到不同的语义空间，然后利用构造的二元组（实体，实体类型）置信度来提升实体类型的表示学习。为了让置信度更具普适性，本文只考虑知识图谱的内部结构信息，并提出两种置信度：（1）基于二元组局部信息的置信度（Local tuple Trustworthiness，LT）；（2）基于与二元组相关的三元组全局信息置信度（Globaltriple Trustworthiness，GT）。最后，本文在两个真实世界数据集FB15kET和YAGO43kET中做了实体类型噪声检测、实体类型预测、实体类型分类三个实验，实验结果表明TrustE模型的有效性明显优于其他最新基准模型，验证了TrustE模型在噪声环境下能学习到更好的实体类型表示，并实现实体类型推理。