知识图谱是对实体间丰富关系的结构化信息编码,它旨在以三元组的形式将真实世界的事实组织成计算机可阅读的结构。其中三元组的具体表示形式为（h,r,t）,h表示头实体,t表示尾实体,h和t之间的关系表示为r。可以看出,这种组织形式使知识图谱表现出严格的逻辑规则和分散的符号特征,在众多领域的应用中受到限制。为此人们提出了面向知识图谱的表示学习方法,将知识图谱中的每个元素（实体和关系）编码到一个连续的低维向量空间中,得到可计算的向量,比如TransE、TransH、TransR等基于翻译的表示学习模型。尽管这些模型获得了较好的知识表示,但是仍然存在一些问题。一方面,这些模型的侧重点大都在于学习独立的三元组所表示的语义特征,然而实体本身是一个综合属性的个体。事实上,针对不同的关系应该关注实体本身不同的属性表示。另一方面,知识图谱在构建时遵循了一定的人类认知思维方式,保留了实体间的语义层次结构。但是,传统的翻译模型在进行表示学习时忽略了实体间的语义范畴大小,所以不能很好地将知识图谱的语义层次表示出来。针对上述两个问题,本文引入了实体属性和语义层次信息,并提出以下两个解决方案:（1）提出基于PartOf关系的表示学习算法---TransP。通过分析知识图谱中的实体表现属性,发现PartOf关系下的三元组头部实体和尾部实体不属于同一实体类型,并且头实体是尾实体的组成部分,属性差异明显。因此,模型首先将每个实体都编码成球体,利用球体之间相对位置关系对PartOf关系类三元组进行建模。其次,根据其它翻译模型中的欧氏距离设计损失函数训练模型。最后,在训练过程中对边际参数进行了敏感性分析。（2）提出融合TransP及语义层次的表示学习算法---Trans＿isA。在TransP的研究基础上,受到关系传递性启发,认为知识图谱中的语义层次关系在进行表示学习时应该保留传递性特征,以此来保证语义范畴的隶属特性。所以,模型首先按照二元关系的传递性判定条件对实体的语义关系进行建模。同时,为了将实体属性特征与实体间语义关系更好地结合起来,又融入了TransP模型的核心算法,有效地提高了Trans＿isA模型的知识表示能力。在公开数据集WN18和WN18RR上,对上述两个模型进行了实验验证:首先,在链接预测实验中,模型的性能都有了较好的提升;其次,三元组分类实验中的各项测试指标均提高了10%左右,这展示了两个模型的表示学习能力。