知识图谱是现代人工智能的核心基础设施,随着人工智能的迅速发展,各种知识图谱被构建出来。与此同时,由于存在着难以去除的噪声与错误等不确定因素,使得知识表达难以完备化,知识图谱中出现了不确定信息。传统的知识图谱表示学习方法不能满足不确定知识图谱的表示及应用需求。因此,带有不确定信息的知识表示学习成为一项紧迫又富有挑战的任务。论文从不确定性知识图谱表示学习模型入手,通过对不确定知识图谱表示学习模型中的得分函数、损失函数和链接预测等关键技术进行深入研究,为不确知识性图谱表示学习模型的构建提供理论基础。然后,基于改进的不确定性知识图谱表示学习模型,研究并开发了具有推荐和问答功能的应用系统,为进一步开展不确定性知识图谱应用研究奠定基础。具体研究工作包括以下几个方面:（1）构建了一个开放的不确定知识表示学习工具集OpenUKGE。为解决知识图谱中不确定性信息表示,研究并修改了经典的确定性知识图谱表示学习模型,开发了 OpenUKGE工具集,对各种不确定知识图谱表示学习模型统一管理,支持快速模型验证。实验结果表明,该工具集中的表示学习算法可以解决不确定性知识表示问题。（2）提出了一种基于多关系推理的不确定知识图谱表示学习模型UDConEx。对OpenUKGE工具集中UKGE模型和UComplEx模型进一步优化,通过卷积神经网络,提取知识图谱三元组特征信息,设计了UDConEx模型。实验表明该模型在不确定性知识图谱表示学习的链接预测任务中,获得了最好的效果,能够对知识图谱中的多种逻辑关系进行较好的建模。（3）实现了基于不确定性知识图谱的推荐模型和问答模型。推荐系统中以两个确定性知识图谱表示学习推荐模型为基础,将BookCrossing数据集信息中用户与用户之间行为相似度、书籍与书籍之间的风格相似度、用户对书籍的可能喜好程度这三种关系当作不确定知识图谱信息,运用UDConEx模型对推荐系统模型进行辅助增强,获得了两个不确定知识图谱表示学习的推荐模型。问答模型以BERT+BiLSTM+CRF作为命名实体识别,BERT作为属性映射（关系识别）分类任务,最后将获得的实体和关系属性通过UDConEx模型进行不确定知识图谱的链接预测任务,推断出其答案信息。（4）开发了一个不确定性知识图谱表示学习应用系统。应用基于不确定知识图谱表示学习方法的推荐模型与问答模型,设计并实现了一个不确定性知识图谱表示学习的智能图书推荐系统。系统中使用了基于Python的轻量级Web框架Flask,前端采用了 HTML及Bootstrap 网页框架技术,Neo4j的可视化实现使用D3js技术,数据库采取Neo4j和MySQL。该系统能处理不确定性信息,实现了智能推荐图书的功能。