知识图谱是由实体和关系组成的有向图,图中的节点表示现实世界中的各种事物实体,图中的边表示这些事物实体之间的相互关系。但是知识图谱通常都是不完全的,会有大量的关系缺失,通过人工的方式补全这些缺失的关系,需要消耗大量的人力和时间。因此,知识表示学习被提出来,通过将实体嵌入到连续的低维向量空间中,进而实现知识图谱的自动补全。现在已有很多知识嵌入方法,一般将其分为两大类,第一类是以Trans E为开端的基于平移的Trans系列方法,第二类是以RESCAL为开端的基于乘法的嵌入方法。本文从头尾实体间特征交互方式这一全新角度观察现有方法,现有模型可分为头尾实体间只有对应位特征交互,如Trans E,Trans H,Trans At,Dist Mult,Complx等,另一类则是头尾实体间全体特征交互如Trans R,CTrans R,RESCAL等。只有对应位特征交互的模型参数较少,易于训练,但特征交互少,表达能力较弱。全体特征交互模型表达能力强,但模型参数一般较多,时间复杂度高,模型难以充分训练。针对以上两类方法的缺点,本文提出特征分组思想,头尾实体间组内特征进行交互,使模型既有较好的表达能力,同时在分组大小较小时,模型参数和训练时间与头尾实体间只有对应位特征交互的模型相近,结合了两者的优点。在特征分组交互的思想下,分别提出一种基于平移的模型Group E+和一种基于乘法的模型Group E*,并对两种模型的优势给出充分说明并提供一定的理论证明。进而在常用公开数据集中进行实验,实验结果表明所提出的两种模型的性能优势,从而证明头尾实体间特征分组交互思想的有效性。