作为认知智能核心的知识图谱已经被人们成功应用在智能搜索、个性化推荐等多个领域。然而目前的知识图谱还存在诸多质量问题,其中知识不完整问题是制约知识图谱在应用领域发挥效用的重要问题之一。为了应对这一问题,该文对基于表示学习的知识图谱补全方法进行了探索研究。本文首先简要介绍了知识图谱近年来的发展情况,并说明目前知识图谱本身存在的质量问题,点明研究背景、说明研究意义。接着本文介绍了知识图谱研究领域的国内外现状及相关研究基础及技术,并对现有知识图谱补全方法存在的一些问题进行了介绍。在总结研究了现有方法模型的特点后,本文提出了以下基于表示学习的知识图谱补全方法:（1）本文将注意力机制与知识的嵌入表示进行结合,提出了一种知识图谱的补全方法Pattention。Pattention在对知识图谱实现嵌入表示时,因为实体与不同邻域的相关性是有区别的,在这里引入注意力机制,使得在融合邻域信息对实体进行嵌入表示时,不同的邻域信息被分配到不同的权重。本方法通过引入卷积神经网络来获取实体与关系的特征,并引入双向长短期记忆网络将路径翻译成嵌入向量。本方法在引入路径信息后,运用注意力函数来对路径信息做评分,结合评分得到最终的候选三元组的状态向量。最终对候选三元组进行概率评分操作。本文对该方法进行了实验,并与相关的基线方法做了对比,在NELL995数据集上的实验中,在MRR指标上提高了8%,实验结果表明,Pattention与相关方法对比之下表现更好。（2）本文结合了知识图谱和注意力机制本身的特点,对注意力机制做出了改进,提出了一种图注意力衰退机制,并在此基础上设计了一种知识图谱补全方法GAFM。GAFM将知识图谱中的路径长度信息与注意力值的大小相结合,目的是通过将目标实体的邻域信息融合到目标实体的嵌入表示中,以获得目标实体的更具表现力的嵌入表示。该方法引入胶囊神经网络模型来实现特征提取。本文将GAFM运行在链接预测实验当中,并与基线方法做了对比。该方法在FB15K-237上的结果显示:相比于排名第二的方法,本文的方法在Hits@3和Hits@10上分别实现了7%和8%的提升,取得了更好的知识图谱补全效果。与此同时,本文基于提出的两种补全方法以及知识图谱相关技术构建了一个计算机专业知识图谱。我们将本文提出的知识图谱补全方法应用于计算机专业知识图谱之上,改善了知识图谱中的知识不完整问题。我们还以这个计算机专业的知识图谱为基础搭建了一个在线学习系统,本文给出了系统的相关功能展示。