知识图谱补全任务是自然语言处理领域中的一个重要环节,作为抽取的下游任务,以及推理和加工的上游任务,起到承上启下的关键作用。目前的知识图谱补全取得了一定的进展,但是对于数据集中层次性数据的分析效果难以达到知识图谱构建的要求。本文从中文数据集入手,通过分析数据集的层次性,提出一种构建层次结构的中文数据集的方法,改进了静态补全模型,同时为动态的补全模型引入时间信息,实现了知识图谱补全。本文的主要研究内容如下:（1）提出基于数据集多种耦合关系层次性的中文数据子集构建方法。以现有的开源英文数据集为基础,通过数据集结构层次分析发现,现有的开源英文数据集存在着两大问题:一是数据集内存在大量无意义的三元组,这些三元组数据的存在会变相提高模型测试时的精度;二是数据集内存在着三元组数据量不均衡的问题。根据上述两种问题,本文提出四种耦合性的关系,用这四种耦合关系来表示数据集整体的层次性,并提出一种数据子集构建的方法,该方法基于两种衡量数据层次性的指标,对上述四种耦合关系有很好的提取效果,构建了两个中文数据子集。实验结果表明,中文数据子集在模型上的效果要优于现有的开源英文数据集。同时,通过改进构建的中文数据集中的最大数据差异量,然后再在模型上测试,得出了数据差异量越大,模型效果越差的结论。（2）提出基于空间旋转和反射参数协同的耦合关系识别模型。对于静态的知识图谱补全任务,通过分析现有模型处理数据方法,发现模型并没有很好的提取四种耦合关系。因此本文在ATT模型的基础上,引入空间旋转参数和反射参数,让旋转参数和反射参数分别对相应的耦合关系进行空间映射,使得模型能够先对层次性的耦合关系有一定识别能力,然后再通过双曲-正切空间进行空间映射,获取空间上关系的语义和分布。然后将改进后的ATTm模型与现有模型进行比较,分别在开源英文数据集和构建的中文数据子集上进行实验,表明改进后的ATTm模型相较于其他模型效果更好。同时进行最大数据差异量的比较,进一步验证了上述结论。（3）提出关系对差值权重矩阵的动态知识图谱补全模型。以引入时间信息到数据集和模型中的方式,将三元组扩充为“四元组”。具体地,对数据集而言,将外部文本信息与数据集中现有的实体进行链接,并从外部文本信息中提取相关包含时间的语义信息,使得数据集依照每个实体都带有对应的时间信息作为时间上更新是否有效的判据;对模型而言,本文提出关系对作差,将遵循和违背时间顺序发展的关系对差值分别变小和变大,并将关系对作差结果以权重矩阵的形式与ATTm模型结合。将改进后的ATTm-d模型与现有的动态补全模型进行比较,同时进行中英文数据集的对比实验,发现时间信息的引入剔除了不满足时间意义的三元组数据,模型的精度获得了进一步的提高,能够对数据集的层次性有更好的识别效果。