为了解决信息数据的爆炸性增长带来的大量的知识管理需求,知识图谱应运而生。知识图谱的数据具有稀疏性和不完备性,不利于对其进行有效使用,这也催生了对知识图谱的补全需求。链接预测能够利用知识图谱自身的数据对于缺失的实体和关系进行补全,是当前主流的知识图谱补全方法。主流的链接预测方法中,神经符号推理方法的优势在于相对于符号推理方法鲁棒性更高,而相对神经网络方法可解释性更强。神经符号推理方法大多基于归纳逻辑程序,计算效率往往受限于不够高效的搜索算法和剪枝方法,处于较低水平。这也使得此类方法难以运用到大规模知识图谱上。为了提升此类方法的计算效率,本文针对神经后向链推理知识图谱补全算法进行了研究。为了在提升神经后向链推理知识图谱补全算法的计算效率的同时,也使剪枝过程具有一定可解释性,本文提出基于静态知识区域生成的神经后向链推理方法。一方面,该方法可以利用循环神经网络捕捉神经后向链推理模块中知识遍历的层次关系;另一方面,该方法通过对知识区域进行静态自适应划分,能够相对原神经符号推理方法提升计算效率。通过在公开数据集上进行实验,表明了该方法在计算效率大幅提高的前提下,链接预测效果相比于主流神经符号推理方法只有略微下降,且知识区域划分的模块具有可解释性。现有一个方法,通过添加神经网络层,对神经后向链推理方法的知识遍历区域进行划分,在计算效率上得到了大幅提高。但由于其对于注意力机制的使用,使其对于嵌入大小有较为严格要求,在嵌入大小远大于知识库谓词数量时才能达到良好效果,从而影响其使用范围。本文提出基于动态知识区域生成的神经后向链推理方法。该方法使用循环神经网络对利用注意力机制划分的知识区域进行再次匹配过滤,从而减轻对于注意力机制的依赖以及进一步提升计算效率。通过在公开数据集上的实验,该方法在嵌入大小接近或者小于谓词数量的时候,也能获得相对接近的链接预测效果,且计算效率进一步提高,同时知识选择模块也具有一定的可解释性。