胡雪若白，黄 洁，王建涛，李一鸣

(战略支援部队信息工程大学 数据与目标工程学院，河南 郑州 450000)

为了提高信息搜索效率，提升用户使用体验，谷歌公司于2012年创建了知识图谱。知识图谱的发展经历了语义网络、知识表示、本体论、Semantic Web、自然语言处理等技术发展阶段，并继承了来自Web、人工智能和自然语言处理等多领域的技术优势[1]。知识图谱利用图模型来描述知识，能够直观地建模物体之间的关联关系。

知识图谱中包含节点以及边，其中节点表示实体，实体表示了现实世界中存在的知识；边代表知识之间的关联关系[2]，其既可以是实体的属性，也可以是实体之间的关系。现有的知识图谱中存在着海量知识，知识图谱能够提供海量的事实知识，建立从客观世界的知识到结构化语义描述的映射，因此知识图谱能够为辅助智能问答、自然语言理解、推荐计算、可解释性人工智能等多个领域的应用与实现提供数据和技术支持[3]。但是，现有的知识图谱存在明显的知识缺失，需要对知识图谱进行知识推理以补全知识图谱，为后续知识图谱的应用提供丰富知识支撑，因此知识图谱推理对知识图谱的发展演变十分重要。

基于表示学习的推理通过知识图谱嵌入(Knowledge Graph Embedding，KGE)方法，将知识图谱中包括实体和关系的元素映射到一个连续的向量空间中，学习实体和关系在向量空间中的表示[4]，使之能够通过向量空间表示之间的计算来自动实现知识图谱的推理。……