随着互联网技术以及应用模式的快速发展,知识图谱推理已经在语义搜索、智能问答、智能推荐、军事决策等领域取得了重要成就。由于计算机世界的数据规模爆发式扩大,进一步扩大知识图谱覆盖范围的要求也不断增长。但是,真实世界知识图谱的长尾关系实际上更常见,并且大部分新增的关系往往没有很多已知的训练三元组去提供参考,这种场景对于知识图谱的进一步扩展产生了很大的限制。因此,本文基于自适应权重机制对小样本知识图谱推理进行了如下的研究:（1）本文提出了一种基于混合注意力机制小样本知识图谱学习模型。该模型通过混合自注意力机制和衰弱注意力机制处理实体的权重,获得知识图谱中实体的高阶领域聚合信息,之后通过实体增强编码器获得源实体的隐性特征。然后,邻居编码器获得实体更新后的实体特征去适应不同推理任务。最后,匹配处理器通过候选实体相似性得分去推断真实实体。（2）针对不同训练关系任务场景,为了区分实体的权重和提高方法的解释性,本文提出了一种基于领域编码的小样本知识图谱学习模型。该模型利用Transfomer机制获得不同任务场景下三元组的权重增强单样本训练场景下的学习能力,随后噪声检验器在相似评估层之前进行了实体合理性排名,去除离源实体距离较远的推理结果。最后,相似评估层使用重排名之后候选实体集去推理真实实体。本文在经典的小样本知识图谱推理的数据集NELL-One和WIKI-One上进行了大量的实验。实验结果表明在单样本和小样本场景下模型的实验结果的准确性和解释性都有提高,证明了基于混合注意力机制的小样本知识图谱学习模型和基于领域编码的小样本知识图谱学习框架是有效可行的。