为了更好的完成大规模知识图谱补全和构建等工作,本文主要研究如何高效地利用分布式技术对大规模知识图谱进行稳定有效的表示学习。在利用分布式技术进行知识图谱表示学习时,会面临对大数据和大模型进行稳定高效处理的同时又要减少语义损失的挑战。所以,通过设计高效的分布式并行模式、参数交互模式以及有效的模型聚合方法等方面的工作来解决问题是非常重要的。本文面向知识图谱表示学习提出了一种基于去中心化混合并行的分布式框架DTrans X。首先,本文提出了一种基于混合并行的分布式模式,该模式将大规模知识图谱数据和大规模表示学习模型进行切分处理,并且在不同的分布式计算单位上对小规模数据块和模型块进行训练,从而提高知识表示模型训练的效率。其次,本文设计了一种去中心化的参数训练模式,其中每个计算节点同时进行数据训练和模型维护方面的工作,并且分布式算法结合双层参数交互架构,高效的进行模型向量的交互。最后,本文为了减少并行处理过程中的语义损失,提出了一种基于实体或关系词频权重的分布式模型融合方法,这种方法在完成模型副本统一的同时将初级模型升级到高级模型。实验表明,在标准数据集上DTransX能很好的减少语义丢失,在保证知识图谱表示学习有效的基础上还可以克服单机算法的泛化问题,在个别指标上提升知识表示的准确性,并且在大规模数据集上展示出很好的加速效果和优异的稳定性。所以,在大规模知识图谱补全与构建等工作中,DTrans X既保证了知识表示的质量又提高了表示学习模型的训练效率,为知识图谱进行准确且高效的表示学习引入了一个新的解决方案。