知识图谱（KG,Knowledge Graph）是人工智能研究和智能信息服务的核心技术,是真实世界信息的结构化表示。在一个知识图谱中,节点表示实体,边是连接两个实体的关系。由于知识图谱能够对结构化、复杂的数据进行建模,因此它被广泛应用于化学、生物、金融、医疗等诸多领域。尽管现有的大规模知识图谱已经含有丰富的知识,但是还是会出现不完整的情况,这个问题引发了链接预测（Link Prediction）的研究。链接预测是根据一定的预测机制,对知识图谱中的实体或者关系进行预测,从而完成知识图谱补全的任务。深度学习技术是目前处理链接预测的最好方法之一,其利用神经网络的学习能力来学习知识图谱上的实体、关系的表示,处理链接预测任务,从而完成知识图谱补全。尽管基于神经网络的模型在处理链接预测任务表现出显著的优势,但是仍然存在一些不足。知识图谱是由众多三元组构成的链接形成的一张具有复杂关系的关系图。然而,一方面,基于神经网络的知识图谱嵌入模型由于网络层的不断加深使得高层特征与底层特征之间位置模糊,即高层特征与底层特征无法对应,从而导致无法捕捉到组与组之间关系的问题;另一方面,在知识图谱嵌入模型的训练过程中,每个正样本三元组需要对应的负样本,当前多数负样本的生成方法使用了均匀采样（Uniform Sampling）的方式,容易造成训练过程中的梯度消失,因此,如何生成高质量的负样本也是一个亟待解决的问题。针对上述两个问题,本文主要研究内容如下;（1）提出了融合图注意力网络（GAT,Graph attention network）和胶囊神经网络（Caps Net,Capsule Network）的知识图谱嵌入模型,以编码器-解码器框架为基础,使用图注意力的特征嵌入方法捕获每个实体邻域中的实体和关系特征,引入胶囊神经网络来解码三元组,将节点嵌入特征定义为第一层胶囊,通过squash函数对第一层胶囊进行特征理解并定义为第二层胶囊,将生成的连续向量与权重向量做点积运算,再构建评分函数用于判断三元组的准确性,使得该模型能够充分捕获组与组之间的关系。在公开数据集WWN18RR和FB15K-237上,对该模型进行了链接预测实验验证,在公开数据集WWN18和FB15K上,进行了三元组分类实验验证,实验结果表明,本文提出的融合GAT和Caps Net模型能在处理链接预测和三元组分类任务中具有显著优势。（2）提出了基于Word Net的知识图谱负采样方法,并将该方法应用到（1）中提出的模型、Trans E和Trans H模型中。该方法使用Word Net同义词标号进行训练,首先利用Word Net上下位词词典,将知识库中具有上下位词层次性特征的三元组提取出来,进行分组,然后利用同一组内的相似实体进行相互替换,生成负三元组作为基本负样本库进行采样,根据不同的损失函数更新质量高的负三元组,最后,将正三元组与负三元组作为输入对模型进行训练。在公开数据集WWN18RR和FB15K-237上,对该方法进行了链接预测实验验证,在公开数据集WWN18和FB15K上,进行了三元组分类实验验证,实验结果表明,基于Word Net的负样本采样方法能够产生高质量负三元组,使知识图谱补全模型在各方面指标上都有显著提升。