近年来,知识图谱的构建和应用迅速增长。知识图谱是指其节点是现实世界中的实体并且边是实体之间的关系的网络,表示为三元组形式(头实体,关系,尾实体)。这样由三元组形式的大量事实组成的网络建立了人类知识的结构系统。人们已经创建了大量的知识图谱,例如YAGO,NELL和Freebase。并且人们成功将其应用于很多领域,从语义解析和命名实体消歧到信息提取和问答。虽然这种结构能有效地表示结构化数据,但它却很难表述三元组的潜在属性。因此,人们提出了一种新的研究方向,称为知识图谱嵌入。其关键思想是将知识图谱的组件(包括实体和关系)嵌入到连续的向量空间中,以便在保留知识图谱的固有结构的同时简化操作。这些实体和关系嵌入可以进一步用于完成各种任务,例如知识图谱补全、关系提取、实体分类和实体解析。这些模型尝试使用不同的方法对三元组进行评分,目标是区分正例和反例。训练数据采样对于嵌入模型的更快和更好的收敛非常重要。目前,反例抽样引起了很多关注。为了减少训练中无效的反例样本,基于翻译的模型设置了替换头部或尾部实体的不同概率。研究了每个正例训练样本产生的反例数量的影响。在重组的三元组生成中也考虑实体的类型信息。此外,提出基于GAN的反例抽样来处理零损失问题。但是,现在仍没有有效的正例采样方法被提出。而正例采样对于进一步研究各种嵌入模型也是必不可少的。因此,为了高效地找出那些有可能没有训练好的数据点,本文引入了自适应分组筛选的方法。自适应的筛选训练数据方法对训练数据按照一定的规则进行分组。首先按照某一规则进行分组,然后在组中随机挑选数据,这样能够平衡筛选时间代价与训练数据质量的问题。另外,本文采用关系作为分组依据,能够简单有效地划分数据。同时,为适应训练过程中未充分训练数据的动态变化,本文提出自适应调整每组被选择的概率,能够使训练过程自动地向更有利于收敛的方向进行,从而提高了训练模型的效率。此外,精确评估每组数据的训练程度是困难的。本文使用每组数据上一轮的平均损失作为该组数据训练程度的近似估计。并且,为避免反例的随机性带来的“零损失”问题导致的训练程度评估偏差,本文加入了“损失非零”机制。实验结果表明:自适应的分组筛选在链接预测任务上取得了更好的结果,能使嵌入模型更快更好地收敛。