知识图谱作为当前社会人工智能发展基石,具有十分重要的作用和地位。随着数据规模和自动化技术的发展,知识图谱的规模已经得到了飞跃式的增长,但是其距离知识完备这一理想目标仍相距甚远。为了实现这一目标,链接预测任务应运而生,其旨在利用知识图谱中已有的知识推断缺失的事实,从而对知识图谱进行完善和补全。研究者们针对该任务已经做出了许多研究,近两年来基于表示学习的方法因其效率高能力强的优点获得了国内外学者的广泛关注。经过调研发现,虽然知识图谱嵌入模型已经取得了不错的成绩,但现有模型大多忽视了实体本身的连通差异且在注意力分配策略实现上较为粗糙,导致网络聚合邻域信息的能力和效率均有较大的局限,模型预测能力较差。针对上述问题,本文在端到端的结构感知卷积网络模型（End-to-End StructureAware Convolutional Networks for Knowledge Base Completion,SACN）的基础上做出改进,针对链接预测任务提出了基于实体连通差异和目标导向的注意力网络（EntityConnectivity-Difference-Aware and Target-Oriented Attention Network for Link Prediction,ETAN）。ETAN通过对实体连通分布进行统计并将知识图谱中的实体分为三类:偏僻实体、普通实体以及过饱和实体。对于偏僻实体使用规则进行邻域补全,对于过饱和实体则基于注意力进行邻域排序截断以完善实体邻域结构。此外,通过对邻域实体和邻域关系的交互作用进行建模,为中心实体的嵌入学习提供更多有效的信息。最后,将链接预测任务的预测链接融入到邻域交互作用体中,实现了完整的目标导向注意力分配策略,为网络高效高质地聚合邻域信息提供了强有力的支撑。本文在标准的FB15K-237和WN18RR数据集上进行了对比实验并以链接预测任务的通用评估指标对模型能力进行了评估。相对于基础模型SACN而言,ETAN在MRR和Hit@N等指标上均有极大的提升,且在现有用于链接预测任务的知识图谱嵌入模型中达到了较高水准。此外,我们也针对模型的每一个核心组件进行了消融实验,进一步分析验证了各个组件对模型能力的影响以及重要程度。