在如今的信息时代,互联网相关技术已应用于诸多领域。知识图谱技术是其中一项用于表示海量信息及其关系的重要技术。为了保持知识图谱中知识的固有结构并且便于计算,人们提出了知识图谱嵌入技术,用嵌入向量表示知识图谱中的实体和关系。知识图谱子图是知识图谱的一部分,一般是在给定知识图谱上按照一定策略构建的,其具体大小可根据实际需要来设定。相比于原知识图谱,对于知识图谱子图的研究,有如下优势:1、对于较为庞大的知识图谱,研究其子图,可以一定程度上减少其时间空间开销,便于模型的优化;2、研究知识图谱子图,可以在构建子图的过程中,重点关注其实体与关系之间的联系以及语义层面的信息,根据不同类型信息分别构建知识图谱子图。集成学习通过一定的组合策略,结合多个基学习器,得到强学习器,从而更出色地完成学习任务。考虑到集成学习技术对于模型的准确度方面的提升,本文将集成学习技术应用于知识图谱子图。通过构建多个知识图谱子图,对多个子图分别训练,使用集成方法,将多个基学习器的训练效果集成,使模型获得更好的表现同时提升模型的泛化性能;根据子图构建的策略,训练单个子图再使用集成策略,可以降低完整知识图谱之中噪声对模型带来的影响。本文的主要工作如下:（1）根据知识图谱中三元组的不同关系,考虑到实体与关系的出现频次,兼顾子图中具有相同实体的三元组之间联系及子图的一般性,设计了知识图谱子图的构建过程,提出了本文的知识图谱子图构建算法,介绍了构建过程中的随机游走方法以及游走路径的生成,并将生成的路径整合,以完成知识图谱子图的构建。介绍了在知识图谱子图上训练模型过程中的降维方法。（2）根据集成学习Bagging和Boosting方法思想,在Bagging算法和Boosting算法的基础上,结合知识图谱嵌入技术,提出本文的两种具体算法,即subgraph Bagging算法和subgraph Boosting算法。两种算法分别将基学习器得到的模型集成,发挥各基学习器的优势,最终得到性能更好的强学习器。（3）将按照本文提出的知识图谱子图构建方法构建出的知识图谱子图用于本文提出的基于集成学习的subgraph Bagging算法和subgraph Boosting算法中的每一个基学习器,在子图上完成训练,训练结束将模型集成起来,用于链接预测任务。本文在FB15K、FB15K237、WN18、WN18RR四个数据集上分别进行实验,运用本文提出的知识图谱子图构建算法构建子图,对比本文的两种集成学习算法与基准算法在子图上的实验结果。结果表明,本文提出的方法在Mean Rank（预测正确的实体在实体可信度排列中的平均排名）和Hits@10（预测正确的实体位于实体可信度排列前十名所占的比例）两种评价指标下整体优于基准算法,一定程度上提升了模型性能。