语义网技术的不断演进和发展,推动了机器对Web数据的智能化理解,并催生了众多的知识图谱。知识图谱以符号化的形式描述现实世界中的实体及其相互关系,结构化地存储着大量描述实体事实的知识。时至今日,知识图谱已经成为各类以知识为驱动的人工智能应用的宝贵资源。现有大型开放知识图谱尽管体量很大,但它们被广泛认为是不完备的,本文研究发现这种不完备很大程度体现在长尾实体事实的缺失。为了提高知识图谱的完备性,研究者们从多个角度展开探索,很多相关工作被提出。然而,现有工作缺乏对长尾实体的关注,对于长尾实体知识丰富的表现十分有限。鉴于长尾实体当前在知识图谱中事实稀少,基于知识图谱嵌入技术的链接预测方法将很难学习到这些长尾实体的高质量嵌入。知识抽取的方法因为信息量不足,不能很好地处理错误或异常。其他方法则仅针对单一目标设计并实现,并非知识图谱自动丰富的完整解决方案。与已有方法对实体不加区分不同,本文针对性地关注知识图谱中长尾实体的知识丰富,并提出了一个完整的解决方案OKELE,旨在利用知识图谱中知识相对完备的流行实体以及Web上大量的开放数据来丰富长尾实体的知识。本文提出了一种属性预测模型,其有效结合了图神经网络和注意力机制,通过比较相似流行实体来预测长尾实体的缺失属性;本文探索了多种类型的Web数据的属性值抽取方法,并使用流行实体强化数据源检索和信息抽取;本文提出了一种基于共轭先验的概率图模型来评估数据源的可靠性,验证事实真值。实验结果表明,本文提出的解决方案有效适用于长尾实体的知识丰富,方法中的属性预测模型和真值验证模型在效果上均优于对比模型。