知识图谱表示学习旨在将知识图谱中的实体和关系编码到一个低维、连续的向量空间之中,以此来支撑不同领域的应用,如知识图谱补全、问答、推荐系统等。在现实应用中,知识图谱总是动态变化的,既会有新知识的加入,也会有旧知识的删除。大多数现有知识图谱表示学习模型都注重于对静态环境下的知识图谱进行编码,却忽略了其动态性。为了应对知识图谱产生的变化,这些模型需要花费很高的时间代价去重新训练整个图谱,而无法以一种更高效的方式去更新图谱的向量表示。为了解决以上问题,本文提出了一个新的基于上下文的动态知识图谱表示学习方法（Dynamic Knowledge Graph Embedding,简称DKGE）。该方法不仅支持对知识图谱进行表示学习训练,还支持在图谱发生更新时,以一种高效的方式去更新图谱新的向量表示。DKGE为每个实体和关系引入两种向量表示,即知识向量表示和上下文角色向量表示。通过两个基于注意力机制的图卷积神经网络和门策略,对实体、关系自身与其上下文进行联合建模。这样的建模方式既有效提升了表示学习的效果,又有效地将图谱更新带来的影响限制在一定范围内,而非整个图谱。得益于此,DKGE可以通过本文设计的在线表示学习算法来高效地更新图谱的向量表示。本文的主要贡献如下:1)提出一个基于上下文信息的知识图谱表示学习模型:通过对实体和关系的上下文信息进行编码,并和实体和关系自身的向量表示进行联合训练,得到实体和关系的高质量向量表示。2)提出一个动态环境下的知识图谱向量表示的在线表示学习算法:在上述基于上下文信息的表示学习模型的基础上,设计了一个在线表示学习算法,能够在图谱更新后高效获得新的高质量向量表示。3)在真实世界的数据集上进行实验,并利用常用的评估标准对实验结果进行评估:实验结果表明本文提出的基于上下文信息的知识图谱表示学习模型相比于其他表示学习模型表现更佳,本文的在线表示学习算法不论是效果还是效率都表现优异（尤其是效率）。研究动态环境下的知识图谱表示学习方法,能够有效提升知识图谱表示学习技术在动态环境下的应用能力,将众多现有基于知识图谱与知识图谱表示学习的应用扩展到动态场景之下。这不论是对于知识图谱本身还是基于知识图谱与知识图谱表示学习的应用的发展都具有重要意义。