知识图谱是由节点和边构成的巨型语义网，其中节点表示物理世界中的概
念和实体，边表示节点之间的拓扑链接和语义关系。近年来，知识图谱作为智能
化应用的基础关键技术已经成为各界研究者关注的焦点。知识图谱能够为智能
搜索、问答、推荐等系统提供知识支撑。然而，现实世界中知识是不断变化的，
人们对世界的描述也在不断更新和修正。因此，为了更好地满足系统应用的需
求，必须不断地对知识图谱进行知识扩充。

早期的知识图谱通常依赖人工构建和扩充，这种方式不仅效率低而且成本
极高。因此，知识图谱的自动扩充方法便具有极高的研究与应用价值。本文的研
究工作主要从扩充目标知识图谱时所需要的知识来源角度出发，关注如何从知
识图谱本身、额外知识图谱和文本中挖掘相应的知识来扩充目标知识图谱。
本文的主要贡献和创新点归纳如下：
1. 提出了一种基于邻域聚合和路径编码的单样本关系学习方法
知识推理是一种简单易部署的知识图谱自动扩充方法。传统的数据驱动的
知识推理模型很难处理大型知识图谱中仅覆盖少量知识的关系和实体的推理问
题。针对样本稀少的关系和实体推理问题，本文提出了一种基于邻域聚合和路径
编码的单样本关系学习方法。该方法利用关系平均注意力网络聚合实体的邻域
信息，使得聚合后的实体同时包含潜在实体类型特征和邻域实体特征。路径编码
模块则用于聚合实体间的路径信息，从而增强关系表示，减轻不可见实体给关系
表示带来的影响。训练任务构造方法能够使模型在同一框架中对关系和实体进
行预测。在三个小样本数据集上的实验表明，所提方法的关系和实体推理性能显
著优于基于表示学习的强基线系统。
2. 提出了一种基于双注意力机制的跨语言实体对齐方法
在利用实体对齐实现知识图谱自动扩充的方法中，对等实体之间同一层级的邻域信息往往是不一致的，不同层级之间邻域实体的数目也有较大的差异。这两种差异给对等实体的表示学习带来困难。本文提出了一种基于双注意力机制的实体对齐方法，该方法利用关系感知图注意力网络迭代聚合多层邻域信息，以解决对等实体之间同一层级中信息不一致的问题，然后利用层级注意力网络选择性地聚合低层级和高层级信息，解决不同层级间信息不平衡的问题。在三个跨语言实体对齐数据集上的实验表明，所提方法能够有效减小对等实体邻域之间的结构差异，显著提升实体对齐的性能。
3. 提出了一种基于完形填空的双向实体链接方法
已有研究工作表明，基于序列决策的实体链接方法可以高效地进行知识图谱扩充。然而当前基于固定序列的实体链接模型忽略了提及的决策顺序，导致模型不能合理利用已链接的实体信息。针对此问题，本文首先提出了一种动态构造提及序列的方法。该方法利用强化学习算法，不断与先前已经链接的实体进行交互，动态选择一个可以合理利用先前信息的待链接目标。该方法可以为所有基于序列决策的实体链接模型提供合理的基础。此外，基于单向序列决策的实体链接方法存在全局信息利用不充分和潜在错误链接不能被纠正的问题。鉴于此，本文受人类在做完型填空时的行为启发，提出了一种带有检查与纠正功能的实体链接方法。该方法利用检查模块核验当前链接的实体是否正确。若正确，则作为证据参与下一个提及的决策；若不正确，则利用纠正模块对该提及进行重新决策。同时，重复上述检查和纠正步骤进行二次链接的策略可以有效解决信息利用不充分的问题。实验表明，所提方法能够充分合理地利用全局信息，显著提升实体链接的性能。