在生物学领域中,常见问题是利用知识网络中已有的信息来预测新的关联,即生物链接预测问题。随着生物学领域的相关研究快速发展,大量的生物学相关信息被发现和研究,对于这些不同类别、不同特征的生物实体,构建生物知识图谱这一方式能够有效地组织专业领域内知识。针对生物领域知识图谱嵌入来进行链接预测这一领域面临的两个问题,即如何将生物实体结构的特殊性与知识图谱嵌入相结合,以及如何对含有结构信息的实体嵌入进行特征提取,提出了整体的生物知识图谱嵌入与链接预测的模型。对于生物实体而言,包含有特殊的结构化信息,例如蛋白质由氨基酸序列构成、核酸由核苷酸序列构成、分子结构信息由结构表达式展示等等。在生物实体嵌入转换方面,对于数据集中生物实体含有的序列信息,在含有大量分子结构信息的Uniport、Pubchem、Ch EMBL等数据库上构建模型,将生物实体转换为含有结构信息的嵌入向量,同时对于负样本生成问题,使用生成对抗网络来向数据集中加入高质量的负样本信息;在特征提取方面,使用二维卷积神经网络来对于生物实体之间的相互作用进行模拟,并使用多尺度卷积来获取分子结构的不同局部模式,而后结合卷积神经网络以及Bi-LSTM模型进行特征提取,使特征图融合了局部形态特征和远距离位置特征,有效地模拟了分子结构中的官能团信息和官能团之间的相互影响作用;最后,通过注意力机制层对分子片段区域权重进行调控,提高了主要在相互作用力中发挥作用的片段区域的重要性,进一步地提高模型效果,取得了良好的性能表现。将模型在两个已有研究的大型基准数据集DTI、TSPF上进行了对比实验,实验结果表明该模型能够在生物知识图谱链接预测上取得较好的结果,验证了提出模型的有效性。同时,基于两个结构信息更完善的数据集Davis、KIBA上进行了对比实验以及消融实验,验证了模型各层所使用算法的有效性。相较而言,所提出的生物链接预测模型在MRR、Hits@1、Hits@3、Hits@10指标上均有提升。