随着互联网的飞速发展,微博、脸书（Facebook）等网络媒体平台已经成为反映社会舆情的重要载体。国内外网络舆情事件频发,网民发布、参与扩散（主要指转发）的信息不仅反映了网民对社会的态度和诉求,而且影响着舆论的发展。分析事件的传播趋势、预测事件的扩散过程对于维护社会安全稳定具有重要意义。已有的相关研究分析不够细致且不够深入,主要存在以下两个方面的问题:（1）采用仿真的离散数据进行传播扩散分析,与真实世界的数据存在误差;（2）不能充分挖掘用户之间的深层次关系,无法有效分析事件的传播扩散过程。解决这些问题的关键在于完整建模网络舆情事件中的数据,在此基础上提高知识推理能力。知识图谱是一种对实体及实体间关系进行描述的图结构模型,基于知识图谱的推理能够通过已有三元组,预测实体之间隐含的、潜在的关系,有望改善或解决上述问题。本文主要研究了知识图谱推理及网络舆情事件传播扩散分析技术,主要研究成果如下:（1）研究了知识图谱表示学习。目前基于翻译操作的表示学习模型仅考虑知识图谱的三元组信息孤立地学习表示,未能有效利用实体描述、实体类型等重要信息,使得向量表示的模糊度升高,从而不能很好地处理一对多、多对多等复杂关系。针对这些问题,本文提出了一种融合实体描述及类型的知识图谱表示学习模型。首先,利用Doc2Vec模型得到全部实体描述信息的嵌入;然后,利用实体类型的层次性,构建层次映射矩阵,与Trans模型得到的实体嵌入结合,得到三元组实体类型的嵌入;最后,对三元组嵌入、实体描述嵌入及实体类型嵌入进行连接操作,得到最终实体的嵌入表示,通过优化损失函数训练模型。在FB15k公开数据集上通过链接预测和三元组分类两个评测任务验证了模型的有效性。（2）研究了知识图谱关系预测。针对目前关系预测模型未能较好地计算不同关系及实体的权重问题,本文提出了一种基于注意力机制的知识图谱关系预测方法。首先,新方法在知识图谱表示学习的基础上,利用注意力机制对层次结构下的关系和邻居实体进行权重计算,得到三元组层次的权重;然后,利用图神经网络的信息传递机制,更新中心实体的向量表示;最后,利用Conv KB模型作为解码器进行关系预测。在公开数据集上验证了方法的有效性。（3）研究了网络舆情事件传播扩散分析。目前网络舆情事件传播扩散分析方法难以完整建模真实世界的数据,挖掘事件中的深层次关系。因此,本文提出了一种基于关系预测的网络舆情事件传播扩散分析方法。首先,构建网络舆情事件知识图谱;然后,运用关系预测技术完成意见领袖的挖掘,并结合二级传播理论,进行网络舆情事件传播趋势分析;最后,同样利用关系预测技术,对网络舆情事件中的用户进行转发行为预测,得到可能发生转发行为的用户,结合知识图谱的图结构特性,进行网络舆情事件扩散路径分析。实验结果表明,基于关系预测的网络舆情事件传播扩散分析方法是可行且有效的。