知识推理作为完善知识图谱的重要手段,在构建知识图谱过程中发挥了关键作用。中文领域的知识图谱普遍存在数据稀疏、质量参差不齐等问题。同时,由于中文文本的特点会导致知识推理容易受分词错误的影响,并且现有可用的中文领域训练集较少,给中文知识推理模型训练造成了一定的影响。目前,知识推理模型多是基于神经网络、分布式知识表示学习和逻辑规则的方法。这些模型在提取特征构造特征向量的过程中存在着明显的信息损失,导致提取出的特征向量质量较差,同时推理结果具有较低的可解释性。为了提高模型推理效果,本文从编码实体特征向量的方式、模型推理的可解释性两个方面出发,做了相应改进。（1）为了减少编码实体描述信息造成的语义损失,本文通过深度神经网络结合翻译模型设计了一种新的实体描述信息编码器。首先使用双向长短期记忆网络获取实体描述信息完整的上下文,避免了DKRL只是使用描述信息中的部分高频词造成的语义损失,然后通过注意力机制重点关注描述信息中的局部特征词,最后结合翻译模型进行联合训练得到实体描述向量。（2）基于神经网络进行知识推理的模型没有充分考虑与实体关联的描述信息和类型信息中包含的丰富语义。本文使用上述的实体描述编码器和TKRL算法分别融合实体描述信息和实体类型信息,然后利用神经张量网络对知识图谱进行建模完成知识推理,通过融合多源信息提升模型推理效果。（3）针对基于复杂路径推理的知识表示学习模型在路径向量表示方面存在较低的解释性,本文引入逻辑规则和关系加权两种形式的路径表示方法对其进行优化。通过利用AMIE+算法挖掘Horn规则辅助路径建模,提高模型推理的可解释性。（4）将模型付诸于工程应用,设计并构建了一个知识推理系统。本文针对提出的改进思路设置了相应的对比实验。通过融合实体描述信息以及实体类型信息,模型在三元组分类任务中的准确率提升了4.06%。在链接预测任务中的MRR和Hits@10指标分别达到了72.43%和81.93%,说明了多源信息融合的有效性。利用规则指导路径表示学习,在链接预测任务中的Hits@10指标可以达到82.15%,说明利用规则指导路径表示的方式在提高可解释性的同时,也显著提升了推理效果。