进入互联网时代以来,人们的生产生活中时刻产生着大量数据,如何快速高效地理解和利用这些信息,成为了当前的研究热点。知识图谱技术的出现在一定程度上解决了这个问题。在知识图谱中,图谱补全是一个重要任务。本文主要研究知识图谱补全技术中的实体类别补全技术和实体关系补全技术。在实体类别补全方面,针对缺少标注数据的问题,本文提出了一种基于迁移学习的实体类别补全模型。该模型先构建了一个映射关系模型,并用映射关系模型计算有标注语料的实体类别和无标注语料的实体类别的语义相似度,从而对无标注语料的每个实体类别构建相应的有标注语料的映射类别集合。然后,将代表映射类别集的句子向量组合输入到双向长短期记忆网络中,并对无标注实体类别进行训练。根据映射类别集中各个类别与相应的无标注类别的语义距离构建注意力机制,用实体分类器对未标注的实体进行分类,从而达到补全的目的。实验证明,本文提出的补全模型解决了在无标注情况下进行实体类别补全的问题,且在无标注和稀疏标注下的补全效果有明显提升。在实体关系补全方面,本文提出了一种结合注意力机制和卷积神经网络的实体关系补全模型。以往的卷积神经网络模型只是利用过滤器抽取文本特征进行补全,没有考虑到不同特征信息的参考价值不同的问题。针对此问题,本文提出的模型先利用卷积神经网络抽取头实体和关系的特征信息,然后,通过注意力机制从通道和空间两个方面对特征进行进一步的信息提取,并对不同的特征分配相应的权重,从而对尾实体进行补全。实验证明,本文提出的补全模型能够有效地处理实体关系补全的问题。