近些年,人工智能迅速发展,逐渐成为目前的热门领域。知识图谱在人工智能领域扮演着重要角色,然而由于现实世界的信息过于繁杂,知识图谱仍旧存在大量缺失项。智能补全知识图谱由于其高效性,逐渐成为研究重点。知识表示学习通过在低维向量空间中表示知识图谱中的实体与关系,利用向量之间的语义关系有效地预测三元组的缺失部分,从而成为知识图谱补全的主流方法。一些简单模型通过基本的向量运算建模知识图谱,虽然结构简单,但是语义表达能力有限。Conv E等模型引入神经网络建模知识图谱,语义表示能力强,但是难以建模三元组的顺序信息。对知识表示任务来说,顺序信息至关重要。为了更有效地进行知识表示,本文引入循环神经网络对知识图谱建模,因为该网络能够以序列的形式建模三元组,并抓取其中的顺序信息。本文提出两类模型:循环神经网络编码的知识表示模型Rec E和循环神经网络预训练的知识表示模型Re＿Dist Mult、Re＿Compl Ex。具体介绍如下:第一类模型采用循环神经网络建模三元组,并捕获三元组的顺序信息和语义关联。具体来说,模型首先将头实体与关系拼接成序列形式,投入到循环神经网络之中,然后将输出向量与尾实体向量做内积运算,得到三元组的得分。考虑到不同的循环网络结构在各种知识图谱上有不同的表现,为了使模型更加健壮,本文选取SRN、LSTM和GRU三种循环神经网络分别建模知识图谱,对应的模型名称分别为Rec E（SRN）、Rec E（LSTM）和Rec E（GRU）。第二类模型用循环神经网络预训练三元组,并捕获三元组的交互信息,然后将三元组投入到基准模型继续训练,以提升基准模型的性能。为了充分验证循环神经网络的预训练能力,本文选取两个基准模型Dist Mult和Compl Ex进行预训练。前者将实体与关系表示成为实数向量,后者将知识图谱投影到复数空间中。类似地,本文选取SRN、LSTM与GRU进行预训练,对应的模型名称分别为Re＿Dist Mult（SRN）、Re＿Dist Mult（LSTM）、Re＿Dist Mult（GRU）、Re＿Compl Ex（SRN）、Re＿Compl Ex（LSTM）和Re＿Compl Ex（GRU）。最后,在不同数据集上的链路预测实验结果表明,本文提出的两类模型性能优异,超越了基准模型和其他对比模型。这说明循环神经网络在编码三元组时,能够有效捕获知识图谱的结构信息。在预训练时,也能捕获内部交互信息,并将其用于提升基准模型的性能。