近年来,知识图谱成为知识表示的重要方式。一个由主谓宾形成的三元组是知识图谱的基本构成单元。将主语和宾语作为带标签的节点、将谓语作为带标签的有向边,则可以将一组三元组表示为一个网络化的图,即知识图谱。知识图谱带来更好的数据可交互性以及强大的知识推理能力。然而,对动态的知识流进行高效实时语义推理,挖掘背后隐藏的关系是目前需要解决的问题。传统的语义数据流推理使用前向或后向链式推理产生确定性的答案,但是在复杂的传递规则推理中效率不高,无法满足实时数据流处理场景对答案的及时性要求。因此,针对上述问题,论文研究了在深度学习模型的基础上进行语义数据流推理。本文扩展了一种基于联合嵌入模型的知识表示方法,并应用于语义数据流处理中。该算法首先将传递规则与事实三元组联合嵌入并利用深度学习模型进行训练,在推理阶段,根据查询中涉及的规则建立推理模板,利用深度学习模型对推理模板产生的三元组进行预测和分类,最后将结果作为查询和推理答案输出。进而,针对模型数据集动态增加的问题,本文提出了一种多向量空间的训练方法,将增加的数据集放在新的向量空间进行训练,并根据数据特性为每个空间设定不同的训练参数,从而避免数据更新时需要消耗大量时间重新训练整个数据集的问题。最后,本文将多空间动态训练模型应用于数据流推理平台之上,并提出与之相适应的索引和三元组预测机制,实现了基于深度学习的高效语义数据流推理。实验表明,对于复杂传递规则推理,基于知识表示学习的实时语义数据流推理能够在保障较好推理准确性和命中率的前提下有效地降低延迟。