知识图谱的发展日新月异，被广泛应用于自然语言处理的各个领域，如知识库补全、问答系统等。知识图谱表示学习在许多人工智能应用中扮演着重要的角色，与词向量嵌入的方法类似，图嵌入方法是一种与任务无关的、无监督知识表示方法。对于知识图谱的嵌入向量而言，在语义上的相似度越高，在向量空间中的距离越小。同时，向量化的表示方法通过利用丰富的数学表达式极大提升了知识图谱的可计算性。但目前大多数研究工作较为分散，底层实现不够统一，且模型的研究者专注于对模型性能的研究而忽视了模型可训练的数据集的规模。
　　本文的研究工作主要致力于解决两个问题，其一是现有的知识图谱训练模型支持的可训练的数据集的规模较小，通常无法支撑大规模的知识图谱数据；另一方面是目前尚缺乏统一的框架来集成当前的不同实现方式的知识图谱表示学习模型。因此本文提出了基于模板的表示学习分布式算法框架DKRL，该框架受到模板方法设计模式的启发，将不同的基于翻译的表示学习模型集成于DKRL框架中，该框架提供了一组原始的函数接口，为用户提供自定义函数的实现提供可能。同时，本文提出了基于参数服务器的算法框架PSDKRL，将训练数据划分为规模相对均匀的数据块，以避免因规模不同而引入训练节点之间计算执行失衡问题，训练节点与参数服务器进行参数交换，每个计算节点内部维护一个用于参数获取与发送的公共数据区，参数取回线程负责将从参数服务器中请求的数据放入缓冲区，节点内部用于进行本地计算的线程从缓冲区中取数据进行计算，再把本地计算结果放入更新缓冲区，由更新线程向参数服务器传递更新后的参数。
　　对DKRL与PSDKRL框架在基准数据集与真实数据集上进行实验，实验结果表明，DKRL与PSDKRL算法与Baseline算法的正确性相近，且本文所提框架利用分布式调度策略，能够适应大规模数据集的训练任务，进而证明了所提出的框架的有效性。