知识图谱可以部分模拟人脑的认知过程,存储着海量的专业知识,能为中医临床决策提供所需信息。然而,中医语言（古汉语）的晦涩难懂以及中医理论知识的模糊性、不确定性的制约,使得中医临床知识图谱中存在着复杂,模糊的关系,不利于知识图谱嵌入学习和下游应用。本文基于全国中文开放知识图谱（Open KG）中的医学知识图谱构建了含有疾病、症状、检查、药品等59882个实体,17种关系数,604700条三元组的中医临床知识图谱数据集,针对医学知识图谱存在的缺失、冗余问题以及嵌入补全方法存在的不足,提出基于潜在因果多跳关系筛选的知识图谱嵌入模型,在基于Transformer的知识表示模型Co KE（Contextualized Knowledge Graph Embedding）上进行改进,增加潜在因果多跳关系筛选模块,通过自定义规则筛选三元组集合并生成多跳关系,提升模型的嵌入学习能力;并针对改进模型中存在的性能问题,采用基于Tiny BERT知识蒸馏对模型进行优化训练;为了验证改进模型的效果,在中医临床知识图谱数据集上与传统嵌入模型实验研究,利用其在知识图谱补全任务上的表现效果衡量嵌入学习能力。实验表明,基于潜在因果多跳关系筛选的知识图谱嵌入模型在Hits@N和MRR等指标优于基线模型,蒸馏模型在不损失精度的同时能有效提升预测推理效率和降低模型参数体积。最后,将本文改进的模型应用到中医湿证测评,设计并实现基于中医临床知识图谱补全的湿证测评系统,采用问卷量表的方式采集用户体征信息,利用本文改进的模型的知识推理能力进行湿证体质评估以及相关调理方案推荐,这证明改进模型能提升知识图谱的嵌入学习能力,这将在知识图嵌入的文本分类,知识推理的医学知识问答、决策功能有较好的应用前景。