知识图谱被用于描述物理世界中实体与实体间复杂的语义关系,通常由若干个事实三元组构成,三元组的形式为(头实体,关系,尾实体)。知识图谱被广泛应用于问答系统、人机对话、智能搜索等领域。虽然当前问世了许多大规模的知识图谱,但是它们广泛存在着事实缺失的现象,且无法自动化更新与日俱增的新知识。因此知识图谱补全的研究工作意义重大。知识图谱补全就是向已有的知识图谱中添加新的事实三元组,目前新知识的数据来源可分为已有知识图谱中的三元组数据和与知识图谱相关的文本数据。近年来,知识表示学习的发展促进了知识图谱补全的研究。知识表示学习旨在将知识图谱中的实体和关系映射到低维向量空间,从而可以方便对三元组进行数值化计算,完成知识图谱的补全。早期涌现了一批基于翻译转换思想并且只利用已有知识图谱数据的知识表示模型。新近的研究为了解决知识图谱数据稀疏带来的缺陷,通过引入相关文本数据,进行知识的表示和知识图谱的补全。尽管这些研究取得了很大的进展,但仍存在如下两个主要问题:1.文本信息包含大量噪音,缺乏高效的方式从中提取出有用的信息;2.无法表示新实体,从而进行涉及新实体的知识图谱补全。针对以上问题,本文的主要工作如下:1.在知识图谱的表示学习中,引入三元组的提及文本信息,提出了一种基于知识三元组与提及文本交互注意机制的知识图谱表示学习模型,从而实现了一个基于文本增强的知识图谱表示。2.在知识图谱的补全过程中,提出了一种基于关联实体的新实体表示技术,能够有效地表示新实体并从文本中抽取出新的知识三元组,从而实现了新实体的表示和包含新实体的知识补全。本文通过在中英文数据集上的关系预测和实体预测任务,验证了上述模型的有效性。此外,本文还探索了知识图谱补全的相关应用,设计并实现了一个基于知识图谱补全的实体关系预测系统,并对其进行了测试和分析。