近年来,知识图谱得到越来越多学术界和工业界的关注,并且已经成为人工智能研究中的基础技术之一。它将大量现实世界中的事件表示为结构化事实,是一种存储海量数据的有效方法,在许多任务中都有所应用。然而知识图谱普遍存在数据稀疏问题,为了提高知识图谱的完整性,近年来涌现出许多知识表示学习算法来推断新的事实,这项任务也叫知识图谱补全。然而现有的研究主要集中于静态知识图谱,忽略了事实成立的时间信息。实际上,时间是大多数事实都具有的重要属性,不同的事件或行为都会使三元组发生变化,因此对时序知识图谱的研究变得越来越重要。近年来,一些时序知识图谱补全方法通过进一步整合事实的时间信息,显示出改进的预测结果。但是由于数据的不稳定性和稀疏性,以及复杂的时序依赖特性,时序知识图谱补全仍是一个具有挑战性的问题,它的重点在于如何有效利用时序信息或是如何刻画事实的动态演化特征。针对这些问题,本文沿着两种思路进行了研究,主要工作如下:（1）为了更好的捕获实体随时间的演化过程,本文提出一种基于四元数旋转的时序知识图谱表示学习算法,它将实体随时间的演化过程定义为在四元数空间的时序旋转变换。与复数空间中的埃尔米特内积相比,潜在的相互依赖通过四元数空间中的哈密顿乘积可以被更好地捕获,因此,学习过程更加高效和有表现力。在基准数据集上的实验结果表明,该模型取得了较为优异的表现。（2）现有的关于时序知识图谱补全的工作大多是对静态知识图谱补全算法的扩展,没有充分利用时序知识图谱的多跳结构特征以及相邻时间步的时序依赖特征。为了充分利用这两方面的特征以提高模型性能,本文提出一种基于注意力机制的联合编码器结构,该联合编码器由结构注意力编码器和时序注意力编码器两个子部件组成。为了对时序知识图谱的多方面演化特性进行建模,本模型还引入门控值来调整不同演化方面的重要性差异。实验结果表明,该模型通过利用时序知识图谱的结构特征,其性能优于现有的主流方法。