随着大规模知识图谱的不断发展,所包含实体和关系的数量不断增多,但是通常它们并不完整。知识推理技术可以根据知识图谱中已有的实体关系信息来推理新的知识,从而补全知识图谱。目前的知识推理技术大多只考虑了知识图谱中的三元组结构信息,却忽视了蕴含在知识图谱中丰富的潜在语义信息,例如实体的邻域信息、语义类别信息等。本文以经典的知识表示学习模型Trans E为基础,融合实体的邻域语义信息,然后利用Bi-LSTM神经网络和注意力机制建模多步关系路径,为融合知识图谱中的多种信息进行知识推理提供一种新思路。论文主要研究内容如下:（1）针对目前知识表示学习模型对知识图谱中包含的信息利用不充分的问题,本文提出了基于邻域语义的知识表示学习模型。首先,以实体为中心,构建融合实体邻域信息的混合邻域表示;其次,融合实体语义类别信息,将实体的语义类别扩展到以混合邻域为单位的邻域语义类别;最后,构造新的得分函数和损失函数,通过最小化损失函数进行模型训练。对比实验表明,本文模型在链接预测任务中的MR、HITS@K以及三元组分类任务中的Micro-ACC、Macro-ACC上均优于其他对比模型。（2）针对基于多步关系路径的知识推理方法中,关系路径中所包含实体和关系的贡献度没有区分,以及没有综合考虑多条关系路径的问题,本文提出了基于Bi-LSTM神经网络和注意力机制的知识推理模型。该模型一共分为三层:第一层是嵌入层,利用本文所提出的基于邻域语义的知识表示学习模型训练得到的实体和关系向量作为初始化向量,以关系路径中包含的实体关系对的相应初始化向量拼接作为第二层的输入;第二层是Bi-LSTM层,以嵌入层作为输入,利用Bi-LSTM网络捕获多步关系路径中实体之间的语义关联以及它们的长期依赖信息;第三层是注意力层,通过注意力机制将第二层的输出进行加权,得到多步关系路径的表示;最后经过注意力机制得到多条多步关系路径的混合表示。对比实验表明,本文模型在关系预测任务和链接预测任务中的MAP和MRR均优于其他对比模型。