知识图谱是由实体和关系组成的语义网络,可以用来结构化地描述现实世界中的各种事物及其之间的关系。但是知识图谱通常是不完备的,因而知识图谱的补全是知识图谱中的一个重要问题,解决这一问题的主要方法就是知识表示学习。知识表示学习通过将知识图谱中的实体和关系嵌入到一个连续的向量空间,既保持了知识图谱的结构又能简化操作。Simpl E模型^[1]作为目前最先进的基于乘积的知识表示模型,虽然表现出了不错的效果,但是它仅在实体之间进行了简单的哈达马积运算,这限制了它的表达能力,使其不能捕获到实体之间更深层次的联系。本文在研究了多种乘积运算的基础上提出了使用循环相关运算的Simpl E模型（Simple Embedding with Circular Correlation,Simpl E CC）,并证明了Simpl E CC模型具有完全表达性,且可以通过参数绑定将背景知识融入到模型中。由于目前知识图谱中只包含正三元组,因而在知识表示学习中有一个负采样的过程来生成对应的负三元组,然而通过随机均匀采样生成负三元组的方式极易造成零损失问题。本文提出了基于重要性采样的负采样框架（Negative Sampling based on Importance Sampling,NSIS）,通过扩大采样范围在一定程度上可以减少零损失问题发生的概率。链接预测实验证明了Simpl E CC模型优于包括Simpl E模型在内的大多数知识表示模型,基于重要性采样的负采样框架也能显著改善现有的知识表示模型的训练效果。