随着近年来互联网数据的海量增长以及人工智能的发展,知识图谱以强大的语义处理能力和数据互联能力为数据提供了一种新的表达、组织管理和挖掘方式。但是,构建数据嘈杂和信息抽取过程不确定,导致现有知识图谱通常存在缺失现象,因此推理知识图谱以补全具有重要研究意义。知识表示学习,作为知识图谱推理的常用手段,基于潜在特征,在计算效率上具有明显优势,但学习过程仅利用三元组信息,嵌入结果对样本数量和质量有一定依赖,稀疏实体和关系的嵌入质量相对较差。而推理的另一个手段,知识图谱规则学习,则利用图特征进行推理,预测结果准确、可解释,基于图的全局信息得到一般性的语义规律,缺点是挖掘规则的搜索空间较大。本文联合逻辑规则学习表示,提出一个迭代学习表示和规则的知识推理框架Rep＆Rul-IL-KGRF,主要内容如下:（1）分析表示学习和规则学习优势互补的可能。一阶逻辑规则含有图结构信息,涵盖的全局一般性规律能够运用到局部的稀疏数据中,且基于规则的推理可解释性强,这些特点有解决表示学习上述问题的可能。知识的分布式向量表示具有计算高效的优势,这可能帮助减小规则的搜索空间。（2）为了增强知识表示的预测精度和可解释性,提出联合逻辑规则的表示学习模型RPEL,旨在利用带有全局归纳语义信息的逻辑规则,来提高稀疏实体和关系的嵌入质量。模型基于封闭路径式的一阶逻辑软规则,通过实例化规则来丰富稀疏数据的三元组样本,基于模糊逻辑t-norm来计算这些新三元组的软标签,除了直接邻居外,通过基于加法和乘法的逻辑规则关系运算来建模稀疏关系的多跳结构信息。（3）为深入研究表示学习和逻辑规则推理之间的交互,提出利用知识表示的规则学习方法EGRL,旨在利用嵌入高效计算的特点帮助挖掘规则。规定与RPEL模型相同的规则形式,将问题转为关系变量实例化问题。生成候选规则时,基于规则的头覆盖率和相似关系获得关系实例,兼容连通性和潜在特征,基于随机采样和遍历实例化关系变量,在搜索空间和高度可能规则覆盖率之间达到相对平衡。计算候选规则置信度时,在传统标准置信度的基础上,融合嵌入中的隐含语义,使评估规则存在率的置信度更有效。综上（2）和（3）,得到迭代学习表示和规则的框架Rep＆Rul-IL-KGRF,迭代中优势互补、不断更新嵌入和规则,适用于目前多数表示假设。链路预测和生成解释实验表明,随着逻辑规则的加入提高了知识表示的预测精度和可解释性,且提高预测的准确性在越稀疏的数据上帮助越大。规则评估实验证明嵌入对提升挖掘的效率和质量有一定影响。