知识图谱是节点和边组成的语义网络,通常采用三元组(头实体,关系,尾实体)的形式表示知识,提供了结构化描述客观世界的能力,在搜索、智能助手等领域广泛应用。尽管现有的知识图谱包含了海量知识,但其完备性亟待改善。知识图谱补全旨在补全现有的知识图谱,提升其完备性,解决数据稀疏性问题,进而进行知识推理,挖掘隐含的知识。现有知识图谱补全模型通常采用知识表示学习的方法,利用知识图谱中的三元组结构信息,将实体与关系嵌入到低维稠密向量空间,得到实体和关系的向量表示,再进行知识图谱补全。除去三元组信息,知识图谱还包含着丰富的多源信息(如文本、图像)。根据利用的信息以及评分函数,现有知识图谱补全模型可以分为平移距离模型、语义匹配模型与融合多源信息的模型。平移距离模型结构简单,易于扩展,但对实体和关系之间复杂语义联系的拟合能力有限;语义匹配模型拟合能力强但复杂度高,可扩展能力低;融合多源信息的模型在融合多源信息时存在融合方法较为简单,目标信息利用程度较低。针对现有模型存在难以兼顾对实体和关系之间复杂语义联系的拟合能力与可扩展性问题,本文提出了面向三元组结构的知识图谱补全模型,即CNN-KG模型。该模型借助卷积神经网络强大的非线性表示能力、特征提取能力,提取实体和关系之间的隐含特征,高效利用三元组结构信息,提升实体和关系之间复杂语义联系的拟合能力,较好地兼顾了拟合能力与可扩展性。现有模型在利用实体描述等文本信息时,融合方法较为简单,信息利用程度较低。因此,本文提出了融合三元组结构与实体描述信息的模型,即CNN-DKG模型。该模型首先使用卷积神经网络对实体描述信息进行编码,得到基于描述的实体表示,随后利用TransE模型得到基于三元组结构的向量表示,最后采用卷积神经网络对二者进行融合,有效利用了实体描述信息。本文采用伯努利分布进行负采样,在WN18RR和FB15k-237两个数据集上通过Adam优化训练目标,通过实体预测、关系预测、三元组分类三个任务对模型的训练结果进行评价。实验结果表明,CNN-KG模型和CNN-DKG模型在平均排名、平均排序倒数、前10命中率和分类准确率等指标上均优于现有模型。