随着网络互联的发展,各类信息激增,如何对信息进行存储、组织与表示成为信息应用过程中至关重要的问题。知识图谱作为存储与组织信息的大规模知识库,涵盖了大批的事实实体以及它们间的各类关系。其最初提出是为了提升搜索引擎的性能,由于其强大的数据建模能力与知识语义表达能力,后来被广泛应用于智能化问答系统、推荐系统等智能系统,并成为人工智能开展的重要基础。随着对知识图谱研究与应用的深入,发现现存知识图谱在扩大规模的同时普遍存在数据不完备现象,即图谱中的大量隐含实体及关系信息缺失,造成了知识图谱稀疏化问题。由此,非常有必要开展对知识图谱补全方法的探究,对缺失的实体和关系信息进行挖掘或推测,以补全图谱结构。本文首先提出了一种基于图卷积神经网络与条件随机场的知识图谱补全方法。该方法利用关系链路信息构建实体相似性,以该相似性来辅助知识表示学习,获得图谱特征的嵌入表达。具体地,利用图卷积神经网络与条件随机场构建编码器,借助该编码器对链接关系语义信息进行编码,然后利用解码器进行链接预测以实现图谱补全。该方法充分考虑了知识图谱的拓扑结构特征及其包含的语义信息,使机器学习模型能够获得更多的有效特征。进一步地,为了考虑邻域实体对中心实体表达学习的影响,引入了注意力机制,基于图注意力网络与条件随机场提出了一种能够融合邻域结构信息的知识图谱补全方法。具体地,首先构建一个由关系图注意力网络和条件随机场模型组成的编码器,通过该编码器捕获实体与不同邻域实体间链接的相关性,编码实体与关系间的交互特征,实现中心实体与邻域结构信息的聚合编码。随后,使用语义全息嵌入模型对预测三元组打分实现链接预测,以实现对隐含实体和关系的挖掘。本文在三个知识图谱公开数据集上对所提出的方法进行了实验验证,并与现有的相关模型进行对比。实验结果表明,本文所提出的方法在链接预测任务中有良好表现,能够有效提升知识图谱补全的效果。