知识图谱是Google公司提出的一种大规模语义网络,旨在描述现实世界中存在的各种实体、概念及关系,作为大数据时代的重要知识表示方法,知识图谱已经成为人工智能的关键技术之一,被广泛应用于社交网络、智能推荐、深度问答等领域。学术数据是高校的一类重要数据,能够反映高校的综合科研能力和创新能力,然而,学术数据具有体量大、多源性、多样性和动态性等特点,如何对学术数据进行组织和管理进而对数据进行分析成为一个重要的研究内容。为此,本文对高校学术知识图谱构建与表示学习模型进行了研究,主要研究内容和成果包括:(1)针对学术数据格式多源性和多样性的特点,构建了基于多源数据的高校学术知识图谱,从非结构化数据、半结构数据和结构化数据等多种类型的数据源中抽取实体、关系及属性等知识要素,并组织成三元组形式,再通过知识融合算法将抽取得到的三元组融合成统一的知识图谱,为数据分析提供结构化知识库。(2)针对知识图谱数据稀疏和复杂度高等问题,提出了基于语义向量的知识图谱表示学习模型(Trans V),引入文本语料库和知识图谱上下文为实体及关系构建语义向量,并为关系设计语义矩阵,从语义角度实现对知识图谱的深度扩展,设计的新训练函数有助于提高知识图谱表示学习的精确度,实验表明,在FB15K和WN18公开数据集上,Trans V与已有的翻译模型相比,Mean Rank值平均降低了66和162,Hit@10值平均提高了20%和19%。(3)开发了基于知识图谱的高校学术数据分析原型系统,包括教师画像、学者合作关系、论文发表数量、学者研究方向四大模块,教师画像模块又分别从学者基本信息、发表的论文、参与过的纵向项目、横向项目、专利五个方面对学者进行描述,最终以可视化的方式对学者进行了分析与展示。