近年来,知识图谱的研究得到了广泛关注,大规模知识图谱的构建与应用大大推进了人工智能在各行各业的落地应用,被称为“人工智能进阶的阶梯”。然而大数据驱动下以自动化构建为主的大规模知识图谱,往往质量并不高,其中影响知识图谱质量的一个重要因素就是知识图谱的完整度问题。不完整的知识图谱会大大降低上层应用的性能和用户体验。为了提升知识图谱的完整度,知识图谱的构建者们往往从两个方面做出努力:一方面是想办法明确知识图谱中各个实体概念下每个实体的必要关系及属性信息,从而掌握他们具体缺失了什么信息,并对这些信息进行针对性地补全;另一方面是通过知识推理等技术手段直接推理得到知识图谱中实体间缺失的关系等知识。然而,现有的基于统计分析的知识图谱必要关系判定方法仅关注于知识图谱中各个关系在相应概念下的分布情况,对于本身缺失度高的必要关系判定效果差。而知识图谱推理补全的方法分为封闭式知识图谱补全(即仅基于知识图谱内部知识进行推理补全)和开放式知识图谱补全(即会使用知识图谱外部知识进行推理补全)。封闭式知识图谱补全的方法无法引入新实体和新关系,而现有的开放式知识图谱补全方法仍然有较多不足之处。为了更好地对知识图谱的缺失信息进行补全,本文分别研究和实现了新的知识图谱必要关系判定方法和开放式知识图谱补全模型。具体来说:(1)我们提出了一种新的基于关联关系聚合模型的知识图谱必要关系判定方法。该方法通过聚合实体概念的相关关系,可将实体概念及关系在同一个空间中进行表示和推理计算,从而为每个概念推算出相应的必要关系。(2)我们提出了一种新的面向知识图谱外部文本的基于多重交互注意力模型的开放式知识图谱补全方法。与现有最先进方法相比,该模型可以充分利用文本描述中丰富的特征信息,且不会遗漏关键目标信息。我们在多个基准数据集上进行了实验。实验结果表明:我们提出的知识图谱必要关系判定方法比现有最先进方法提升了 7%以上的F1值;我们提出的开放式知识图谱补全模型也同样显著改进了现有最先进模型的效果。