知识图谱为海量非结构化数据提供了一种组织、管理与理解方式,广泛应用在智能问答等人工智能任务。知识图谱表示学习模型通过编码映射的方式捕获三元组语义信息,使其更好地服务于人工智能应用。而补全实体和概念之间的链接不仅增强图谱完备性,还能反哺知识图谱表示学习模型。近年来知识图谱表示学习研究大多从单视角出发,将实体和概念看做相同的节点,这样不利于充分刻画实体和概念之间数据规模和拓扑结构的差异。而已有的双视角知识图谱表示学习模型在刻画差异时,往往在线性的欧式空间中进行探索,而且忽视了实体中对应的层级模式。此外,实体分类作为知识图谱表示学习的下游任务,现有模型过于依赖三元组结构,导致模型表现受限于结构稀疏的实体和概念。对此,本文从双视角角度出发基于双曲空间提出了一种知识图谱表示学习方法,并且探索了基于双视角融入文本的知识图谱实体分类方法。主要的研究内容如下:（1）本文提出了一种基于双曲空间的概念和实体的联合表示学习框架。首先,利用双曲空间层级表达能力强的特性,在两个独立的双曲表征空间中分别学习知识图谱和概念图谱的结构信息。然后,通过双曲转化将实体特征向量映射进概念表征空间中,使转化后的实体在概念表征空间中尽可能靠近所属概念。此外,本框架还利用实体图谱和概念图谱的局部邻点特征,通过实体和概念之间的跨视角链接,为两个图谱提供深层交互。（2）本文还从双视角出发对知识图谱实体分类问题进行有效探索。基于表示学习的实体分类方法受限于结构数据质量,附加资源将会作为结构信息的补充,有效地解决结构稀疏的实体信息不足的问题。本文设计了一种结合文本与结构的双视角知识图谱实体分类方法。该方法基于实体和概念之间的语义相似度,以及实体邻点结构聚合特征向量与概念特征向量之间的距离,刻画实体属于某个概念的概率。本文在多个数据集上进行了对比实验,实验结果表明本文提出的基于双视角的知识图谱表示学习与实体分类模型分别优于已有的双视角情景下的表示学习与实体分类方法。