近年来,智能搜索、知识问答、推荐系统等上层应用对知识图谱完备性的需求催生了知识图谱补全技术,而知识表示学习是知识图谱补全中的重要一环,针对网络安全知识库包含的结构类信息较少的特点,利用实体描述信息建模能提升知识表示学习相关任务的性能。实体描述和对应的结构信息均包含多层语义,但在实体链接预测中不是所有的语义均有助于推理。目前主流的融合实体描述信息的知识表示学习模型仅对实体描述信息的相关语义进行识别,而没有对实体结构信息进行处理。针对这个问题,本文提出一种融合实体描述信息的增强实体嵌入模型Conv R（DA-LSTM）,该模型基于点积注意力机制获取实体描述相关语义,基于关系映射矩阵获取实体结构相关语义,并且针对实体描述信息的特点设计了一个基于Glo Ve+Bi LSTM的组合编码模型。此外,针对网络安全知识图谱入度高这一特点,本文创新性地把融合实体描述信息后的实体嵌入放到基于卷积神经网络的知识表示学习框架下进行训练。本文进一步从网络安全知识库中抽取部分与网络入侵相关的数据作为训练和评测模型所用的网络安全数据集,并且基于该数据集在实体链接预测任务上对提出的Conv R（DA-LSTM）模型进行了对比实验。实验结果说明Conv R（DA-LSTM）模型相较于基线模型能够有效地利用实体描述信息对实体的相关语义进行增强,且在Hits@20指标上最多有2.8%的提升。本文进一步设计实验说明点积注意力机制对实体描述中的相关语义有更强的捕获能力,而且本文提出的对实体进行关系属性增强方法在补全实用性上要优于全属性增强。