知识图谱是一种结构化的语义知识库,它通过符号形式描述客观世界中的概念及其相互关系。目前,知识图谱在知识问答、智能推荐等众多场景中得到了广泛应用,是人工智能领域中的重要研究内容。然而,现有知识图谱面临着稀疏性和不完整性的问题,这会严重影响知识图谱在应用中的效果,因此知识图谱补全成为了学术界和工业界的热点问题。知识图谱补全旨在找到现实世界中应该存在但在知识图谱中缺失的事实,提高知识图谱的完整性。现有的知识图谱补全方法主要是通过将知识图谱中的实体和关系嵌入到低维稠密向量空间中,并通过计算实体和关系在向量空间中的距离或相似度来判断它们之间是否存在一定联系,从而实现知识图谱补全。然而,现有方法存在着一些不足:一方面,它们主要关注在实体和关系本身而未考虑事实上下文,无法更好地学习到实体和关系在不同事实下的语义信息;另一方面,负采样是知识图谱补全过程中重要步骤,现有的负采样策略主要通过随机替换事实中的头实体或尾实体的方式来生成负样本,这往往会导致所生成的负样本质量不高,影响知识图谱补全的效果。本文针对上述问题进行了深入的研究,主要工作如下:（1）提出了一种融合事实信息的知识图谱补全模型,该模型由事实信息编码器和事实信息融合模块两部分构成。其中,事实信息编码器通过门控循环单元（Gated Recurrent Unit,GRU）捕获实体和关系的序列依赖关系,并利用卷积神经网络（Convolutional Neural Network,CNN）进行局部特征提取;事实信息融合模块使用深度神经网络将事实信息的嵌入表示融合到实体和关系中,从而使实体和关系获得对应的事实语义,增强了实体和关系的表达能力。（2）提出了一种基于预训练评估模型的负采样优化方法,该方法包括评估模型的预训练和负样本候选集生成两部分。其中,评估模型是由三元嵌入矩阵组（Triple Embedding Matrix Pair,TEMP）和深度神经网络构成,通过预训练的方式使评估模型实现对负样本合理性的评估;随后,采用负样本候选集生成方法来过滤掉与正样本语义相差过大的负样本。使用该负采样策略可以生成高质量的负样本,从而提高知识图谱补全模型的性能。（3）设计并实现了一个面向软件开发领域的知识图谱补全系统（Software Knowledge Graph Completion System,SOFT-KGCS）。该系统能够实现软件开发知识的获取、融合及补全,增强了软件开发知识图谱的完备性,为软件开发人员提供高质量的领域知识,提高了软件开发知识图谱的利用效率。最后,本文在多个真实数据集中对所提出的知识图谱补全模型和负采样优化策略进行了实验验证。实验结果表明,与现有的知识图谱补全模型和负采样方法相比,本文提出的模型均取得了较好的实验结果。