链接预测是知识图谱补全的一个重要任务,旨在建模知识图谱节点间链接存在的可能性,补全缺失的知识。知识表示学习是当前实现知识图谱链接预测的典型方法,包括学习结构信息的基于三元组的链接预测模型,还有融合结构信息与其它信息的基于信息融合的链接预测模型。但是,外部信息的高昂成本、内部特征的匮乏和低效的融合过程导致后者的适用范围较小。因此,为了通过信息融合提高链接预测的准确性,需要同时考虑引入通用的信息以及高效地融合信息。本文对受到引入信息限制的链接预测模型进行研究,提出了基于实体描述超平面的链接预测模型。首先,本文使用知识图谱内部容易获取到的实体邻居作为引入的实体描述信息,将实体邻居统计信息中的局部频率和全局频率与自动关键词抽取技术相结合,选取出更为重要的关键邻居。通过引入实体邻居作为描述信息,避免了对外部信息的依赖,使通用的基于信息融合的链接预测模型成为了可能。其次,本文利用超平面投影技术将实体描述表示为超平面,把实体描述信息引入到基于三元组的链接预测模型,完成链接预测。此外,为了进一步挖掘实体邻居作为描述信息的潜力和提高参数利用率。本文在引入实体邻居作为的描述信息的基础上,提出了基于实体联合表示的链接预测模型。该模型首先将实体邻居对应的实体结构表示作为引入的描述信息。然后,模型使用线性变换融合不同来源的信息,同时为结构信息的传递建立了一条捷径以保持其完整。通过引入实体邻居作为实体的描述信息,本文提出了通用的基于信息融合的链接预测模型。本文在标准数据集上评测了上述模型在知识图谱链接预测任务的表现。实验结果表明本文提出的模型有效地融合了描述信息和结构信息,同时能够不受引入信息的限制,扩展到各种知识图谱。