知识表示旨在将知识转化成计算机能交互的数据形式。基于网络的知识表示方法被广泛使用,但它存在计算复杂度过高、无法应对知识库数据稀疏的问题。基于深度学习的表示学习技术因其优异的性能备受瞩目。知识表示学习能将实体或关系编码成低维连续的稠密向量,在知识推理、知识融合等诸多领域都有很高的应用价值。TransE是知识表示学习领域应用最广的方法。它将知识库里的关系向量看成头实体向量到尾实体向量的平移。相比其它模型,TransE的结构简单易拓展,计算效率高,在大型稀疏知识库上依然表现出良好的性能。然而,该模型在面对复杂关系时效果不佳,人们为此提出大量的拓展模型来处理这种情况。TransE及其拓展工作仅使用结构化知识,无法表示知识库以外的新实体。为解决上述问题,一些工作引入实体的描述文本来补充缺失的实体表示。然而,这些方法没有对文本信息进行过滤,也尚未提出融合两种表示的好方法。基于双向LSTM来编码文本的知识表示方法解决了以上问题,在相关的评测任务上达到了当前最好的效果。但LSTM需要按序依次生成隐变量,导致模型无法并行化训练,影响了模型的计算效率。为了解决上述问题,本文研究了深度学习的相关技术包括词嵌入、卷积神经网络、注意力机制等等,提出了基于深度学习的联合文本与结构化信息的知识表示模型JCNN,又进一步提出改进模型JCNN-Attpool和JCNN-Attweight。具体来说,JCNN使用卷积神经网络来编码实体描述信息,同时利用TransE来编码实体的结构化信息,然后使用加权门机制来融合两种信息。训练过程使用随机梯度下降法来更新模型的参数,最后得到学习好的实体和关系的向量表示。考虑到并非所有文本信息都有用,本文引入注意力机制来选择文本中与三元组的关系最相关的信息。JCNN-Attpool和JCNN-Attweight都是在JCNN的基础上引入注意力的改进工作。JCNN-Attpool用注意力池化层取代了JCNN里的最大池化层,JCNN-Attweight模型是在JCNN的卷积层后添加了注意力权重层。在FB15k和WN18数据集上的实验表明,本文的方法在预测缺失的实体、应对复杂关系以及区分正负样本等任务里表现优异,达到了与当前最好方法相竞争的水平。这表明,合理运用深度学习的技术来编码实体描述,并将文本表示与知识库表示融合,能显著提升实体表示的区分度。此外,也进一步证实:本文提出文本编码器能有效捕获文本的语义信息;本文设计的注意力机制能提取文本的关键特征;本文使用的融合方法在拟合两种信息源内在联系方面具有一定优势。