随着互联网技术的发展,网络数据呈几何倍数增长,信息量增多的同时也带来了更多的冗余信息。此外,这些海量数据大多数是结构不规则的多元异构数据,现有的计算机技术很难从中挖掘知识,知识图谱便应运而生。时序知识图谱在静态知识图谱中增加了时间元素,使得事件的成立是有时间范围的,这样描述的事实信息更贴近现实世界。人们在实际应用中面临两个挑战:数据稀疏和计算效率低下。知识表示学习是面向知识图谱中实体和关系进行表示学习,将实体和关系表示到低维稠密的空间中,有效解决数据稀疏问题,也使得知识图谱具有可计算性,有效提升后续知识获取、融合、推理、搜索等任务和应用的性能。现有的时序知识图谱表示学习模型在考虑时间信息时对其语义信息利用情况较差,同时在处理时间段数据集时因直接划分时间区间而会导致性能差异较大,本文针对知识表示学习任务中存在的上述问题展开研究,对现有模型进行改进,以提高模型的有效性。论文主要工作如下:（1）提出了一个基于BiLSTM的时序知识图谱表示学习模型。针对已有模型未能充分利用时间的语义信息,本方法采用LSTM挖掘时间的序列特性,并借鉴自然语言处理中的词嵌入方法,设计了词袋模型,考虑到了时间蕴含的语义特性;首先,根据现有时间计数规律构造时间相关的词袋,将时间转换为时间序列,再分别与实体和关系进行连接,构成实体/关系时间序列,然后利用双向LSTM对实体/关系时间序列进行编码,最后,得到融合时间信息的实体和关系嵌入。在两个ICEWS数据集上的实验结果验证了该模型的有效性。（2）提出了一个基于多头图注意力网络的时序知识图谱表示学习模型。首先,针对已有模型时间处理方式在时间段数据集上的不足,本章模型提出在时间处理中将综合考虑绝对时间点和相对时间跨度信息。其次,将图注意力网络迁移到时序知识图谱时,实体和实体之间的关系因为要考虑时间因素而变得更加复杂,本章模型考虑了常见的关系时间组合,并讨论这些组合对实体的影响;进一步地,借鉴图注意力网络的思想,实体更新表示时融入了邻居节点以及邻居边的影响,利用连接的实体对提取关系随时间的演变信息。最后,在四个时序知识图谱的链接预测任务的结果验证了该模型的有效性和鲁棒性。