知识图谱作为人类智慧的新兴产物,为诸多智能应用提供易被计算机理解的结构化数据。尽管目前的知识图谱已经十分成熟,但仍远没有达到完备的程度。知识表示学习技术,旨在学习实体和关系的低维嵌入表示,来提高链路预测任务的精度,以达到补全知识图的目的。如今,在网络大数据的环境下,知识逐渐呈现出半结构化和非结构化数据占主导的势头,知识表示学习在新的环境下被赋予了新的使命,即融合多元信息的能力。多元异构信息在帮助改善数据稀疏问题的同时,可以有效提高表示学习模型的区分能力。因此,充分融合多元异构信息,对优化知识表示学习具有重要意义。本文针对多元信息环境下的知识图谱补全,从文本描述和时间信息两个角度,提出了两个知识表示学习算法,分别是对齐超平面的文本知识嵌入策略和时间知识图谱的三维旋转嵌入方法。本文的工作包括以下几个方面:一、为了有效利用实体的文本描述信息,本文提出了对齐超平面的文本知识嵌入策略（Alignment Hyperplane Knowledge Text Embedding,AHE）。该策略首先引入预训练文本向量以获得精确的实体描述表示。之后,为了使文本表示与内部结构表示能够有效交互,本文提出两种灵活简便的对齐策略。进一步地,本文将实体建模在文本描述的超平面上,以避免关系误投影导致的噪声。最后,在两个公开数据集上的实验结果表明,AHE策略下的扩展模型都能获得更具竞争力的效果。二、对于时间信息无法有效融合的问题,本文摒弃了从传统模型进行延展的直观方法,提出了时间知识的三维旋转嵌入模型（Three Dimensional Rotation Time Embedding,3DRTE）。首先,借助自注意力能够有效处理序列信息的特点,本文将时间和关系进行有选择性的特征融合;其次,为了建模关系的三种基本模式（对称性/反对称性、自反性和组合性）,本文在四元数的基础上,将实体建模为三维空间中的点,将关系解释为表达特定旋转的两个互逆四元数;最后,在几个时间知识图谱数据集上的实验结果表明,3DRTE能够有效利用时间,提高链路预测的性能。三、本文将上述提出的两个算法应用到实际系统“城市安全风险管控系统”中,实现在多元信息融合的条件下,城市安全知识图谱的构建、可视化展示以及缺失实体的补全,以此协助有关人员对风险的有效排查与管控,最终达到保障城市安全的目的。