近年来，知识图谱由于其表达丰富信息的能力及其在基于知识的推理中的潜力而受到了广泛的关注。例如，它们可以协助(与移动服务中的用户关联，切换策略和流量内容)相关的深入知识发现。知识图谱嵌入可以将知识图谱中的实体和关系投影到密集且低维的向量中，并通过这种方式有效地测量复杂的语义信息以及这些实体之间的关系。但是，传统的知识图谱嵌入方法仅考虑知识图谱中的直接事实，在面对稀疏数据时，很难实现对实体和关系的合理嵌入学习。
　　为了解决这个问题，提出了一种基于张量分解和规则学习结合的知识图谱嵌入表示模型，该模型可以迭代执行嵌入学习和规则学习，以不断生成三元组形式的新事实，从而在基于知识的推理中实现更好的性能。首先，模型在原始知识三元组上进行嵌入学习。然后，推断出规则，并在这些规则的基础上生成新的事实三元组，并将其迭代地嵌入到模型中。此外，还提出了一种交替执行知识图谱嵌入学习和规则学习的迭代策略，以不断生成新的事实三元组并获得更好的知识图谱嵌入性能。首先，模型使用来自给定数据集的原始三元组作为输入，并执行嵌入学习以获得实体和关系的嵌入。然后，模型对规则进行推断和评分，根据得分较高的规则生成新的有关稀疏实体的事实三元组，然后迭代嵌入新生成的三元组。
　　为了验证所提出模型具有更好的性能，实验部分在几个基于WN18和FB15k产生的数据集上，将所提出的模型与其余五个具有代表性的知识图谱嵌入表示模型进行对比实验。实验结果表明，相比于其他几种模型，所提出的模型在链接预测方面有着更好的表现，并且在面对稀疏数据时比其他几种最新的知识图谱嵌入表示模型具有明显更好的性能。