知识图谱是由实体和关系组成的有向图,采用三元组的形式结构化存储知识,被广泛应用于语义分析、对话系统和推荐系统等人工智能任务。知识表示学习使用低维稠密的实值向量表示知识图谱中的实体和关系,在低维向量空间中高效计算实体和关系的语义联系。知识表示学习有效缓解数据稀疏性问题,实现多源异质信息的融合,进而提升知识获取、融合和推理的性能,对知识表示学习的研究,具有重大意义。本文聚焦知识表示学习建模语义关联时存在的问题,从语义交互和语义限制两个角度展开研究工作。首先,知识图谱中的实体和关系之间存在复杂的语义交互,大多数知识表示学习模型只建模头实体(尾实体)和关系之间的语义交互,却忽略头实体和尾实体之间的语义交互。其次,知识图谱同一三元组内的实体具有很多相似属性,大多数知识表示学习模型忽略实体潜在语义特征的近似约束。针对上述问题,本文分别提出融合语义交互和融合语义限制的知识表示学习。本文的主要贡献如下:(1)提出一种融合语义交互的知识表示学习模型,建模头实体(尾实体)和关系之间、头实体和尾实体之间的语义交互,同时从前向和后向传递不同的语义。具体来说,该模型使用复杂嵌入表示实体和关系,通过度量经过关系翻译的实体之间的语义相似度,建模前向和后向语义交互。(2)提出一种融合语义限制的知识表示学习模型,通过语义距离限制和特征压缩限制约束实体嵌入向量。该模型利用语义距离限制约束嵌入空间的几何结构,建模三元组内实体之间的潜在关联;通过特征压缩限制,保留实体的积极属性和消极属性,学习紧凑的嵌入表示。在标准的链接预测任务上进行实验评估模型,融合语义交互和融合语义限制的模型取得先进的性能,验证语义交互和语义限制能够提升表示能力。