目前,主流的大型知识库,例如DBpedia、NELL等大多采用信息抽取的方式进行自动化构建,该构建方式具有人工干涉较少、知识库中知识更新及时等优势,但是也带来了知识库完备性的问题。知识库中往往会存在知识缺失的情况,这大大降低了知识库知识的完备性。为了提升知识图谱相关应用的质量,就必须得提升知识库的完备性。如何通过自动化方式来对缺失知识补全成为了知识库构建过程中的一个关键问题。知识推理技术就是基于知识库中现有的知识,对实体间缺失的关系进行推理补全,从而提升知识库中知识的完备性。本文主要针对基于低维度实体语义向量的经典模型-神经张量网络模型NTN中的存在的一些问题,进行了相应的分析和改进,主要包含了以下几项工作:(1)简要概述了知识图谱构建过程中的一些重要技术并对目前国内外知识推理相关技术进行了分析介绍,包括基于逻辑规则、基于关系路径、基于语义向量等主流的几类知识推理技术的优缺点分析。(2)以往实体向量大多采用随机化或者预训练的方式完成初始化,本论文针对上述两种方式尚存的一些不足,提出了一种基于实体属性Type分类初始化实体语义向量的方式。相对于随机初始化实体语义向量的方式,该方式在WordNet、Freebase两个数据集合多种关系的平均推理精度(MAP)分别提升了2.7%、3.2%。(3)针对神经张量网络模型模型复杂度过高的问题,设计了一种改进的推理模型-混合神经网络模型,该模型在张量网络层前面增加了一层标准网络层来降低输入到张量网络层的向量维度,从而降低张量网络层的复杂度。实验证明改进模型在推理精度未减少的前提下,可以有效的减少模型的运行时间(Running Time)。(4)神经张量网络模型的特殊之处在于引入了Tensor的结构用来表征实体向量的交互信息。本文将通过实验来探究了神经张量网络模型中Tensor的片区Slice对模型精度的影响。