世界是复杂的,知识驱动的应用也分布在各领域。在信息检索领域,可以从Wikipedia中获取和实体相关的描述;在图像分类领域,可以从Image Net中获取和实体相关的图片;在智慧医养领域,可以同时从EMR中获取和疾病实体相关的图片和描述。因此,结合相应领域的数据并设计合适的知识图谱表示学习算法模型,对智能问答等知识驱动的应用具有重要意义。本文旨在充分利用与实体相关的多源信息辅助构建更好的知识图谱表示学习,从而提升传统知识图谱表示学习在相关任务的效果。这些和实体相关的描述信息和图像信息能作为知识图谱三元组结构信息的有效补充,从而提高相应领域知识驱动应用的效果。传统的知识图谱表示学习模型通常只关注了知识图谱三元组中的结构信息而忽略了与之相关的实体描述和图像信息。因此,本文针对实体描述信息和图像信息,基于Trans E模型的思想分别设计了不同的模型,在不同应用场景下将实体相关的多源信息引入知识图谱表示学习中。在融合实体描述的研究中,本文在实体描述编码器中引入自注意力机制充分提取实体描述中与关系相关的特征构建实体基于描述的表示;在融合实体图像信息的研究中,本文使用Transformer模型作为实体图像编码器充分提取实体图像内子区域间的上下文关系构建了实体基于图像的表示;在同时融合实体描述和实体图像的研究中,本文设计了多源信息融合编码器,基于注意力机制建立了多源信息的加权损失函数,构建了实体基于多源信息的表示。针对上述工作,结合Freebase和WN9-IMG公开数据集,本文分别与DKRL、IKRL和Trans E等模型进行了对比试验,本文提出的模型实验结果在Mean Rank、Hit@10%和MAP指标上,均优于对比模型。实验结果表明,实体的多源信息中蕴含着丰富的语义信息,这些信息能有效补充三元组中的结构信息,从而辅助构建更好的知识图谱表示学习,也说明本文设计的模型能比对比模型更充分的利用实体的多源信息,进而在知识图谱表示学习任务上取得更好的实验效果。在实际应用中,可针对相应领域从三种模型中选择合适的算法模型。