在知识表示领域,数据稀疏性是大规模知识图谱普遍需要解决的难题。对此,研究者建立了一个连续的向量空间,将知识图谱三元组进行向量化嵌入到其中,从而实现了对实体和关系的分布式表示。现有模型在训练过程中采用生成负样本的方法主要是随机采样,通过此方法生成的大多数负样本质量较差,对于知识表示的健壮性增强并不明显。本文在现有的面向知识图谱的表示学习相关原理和技术的基础上,将现有知识表示模型结合到生成对抗网络中提升模型表现。同时随着机器学习攻击的兴起,模型参数在生产环境中存在着泄露的风险,对系统安全性造成威胁。本文为保护模型安全建立了参数保护机制,并通过优化算法对模型效率进行优化。具体研究内容包含以下几个方面:（1）为了解决Trans系列模型中随机采样生成的负样本质量不高的问题,本文通过对现有的知识表示学习模型的分析,引入了单体表现更好的KB-GAT模型。同时受生成对抗网络的启发,引入KBGAN模型生成较高质量的负样本以提升模型的健壮性。将现有的TransE、TransD模型与KB-GAT相结合,作为生成器和鉴别器不同组合进行试验。结果表明,提出的将KB-GAN与KB-GAT相结合的知识表示框架准确率优于现有的主流单一算法。（2）通过对模型参数篡改攻击相关工作的学习和了解,本文从对模型篡改攻击的防御角度,提出了对于知识图谱表示学习模型KB-GAT的参数保护机制,设计了高效的基于参数关键性的保护框架,根据关键性等级,通过加密验证的方式在系统部署前以及运行过程中对模型参数进行分层校验,确保模型参数没有被篡改从而增强知识图谱的健壮性。最后对实验结果进行分析,证明了保护机制对模型稳定运行的有效性。（3）在实际部署中添加的模型参数保护机制会增加系统的资源和时间开销,需要对其进行约束优化。本文将保护机制转化为一个约束优化问题,建立安全质量模型,同时对KB-GAT保护机制添加执行约束和期限约束,提出了使用果蝇算法（FOA）来获得近似最优解。同时为了解决果蝇算法无法确保获得全局最优解的局限性,使用了对果蝇算法进行多群策略改进的MFOA算法,通过实验评估表明,多群果蝇算法（MFOA）对于提升保护机制效率具有有效性。