知识图谱是一种用图模型来描述知识和建模世界万物之间的关联关系的技术方法。随着该领域研究的深入,知识图谱得到了越来越广泛的应用,在越来越多的人工智能应用场景中发挥着重要作用。然而,随着应用的发展,知识图谱本身存在的完善程度不足的问题也越来越不容忽视。尽管知识图谱中存在着数量庞大的结构化的实体和关系以及它们所蕴含的关于现实世界或抽象概念的事实,但是知识图谱中仍然存在着数据稀疏的问题。用自然语言处理的方法从海量的互联网数据中抽取知识对其进行填充,同时根据知识图谱本身存储的信息进行推理与融合是对知识图谱进行补全的两种有效方式。本文在简略介绍知识图谱的发展历史及其应用的基础上,详细介绍了用于知识图谱补全工作的知识表示学习算法的研究现状及经典成果,并在此基础上提出了一种新颖的知识表示学习算法。该方法将包含着丰富语义信息的关系路径和对实体的文本描述信息整合到表示学习的过程中。关系路径对知识图谱中的直接关系是一种有效的增强方式,而文本描述信息则可以增加实体的嵌入表示中所蕴含的语义信息。同时,本文还探索了知识图谱补全过程的重要步骤—链路预测工作的不同方式,通过卷积神经网络捕获实体和关系之间包括线性交互在内的更多更复杂的交互,对待补全的事实的可靠程度进行更加有效的判断。我们在标准数据集上对新提出的模型进行了验证。实验结果表明,相比于基准模型,新模型取得了显著的提高,说明关系路径和文本描述信息能够对知识图谱嵌入工作起到很好的辅助作用,卷积神经网络可以捕获三元组中实体和关系之间更为复杂的交互。