目前,知识图谱（Knowledge Graph,KG）作为知识的结构化表示引起了研究人员的极大关注。知识图谱表示学习（Knowledge Graph Representation Learning,KRL）旨在学习一个准确的、富含语义信息的知识表示。目前的KRL方法仅仅考虑了KGs中结构信息和其他语义信息（描述信息、图像信息等）,对实体属性信息应用不充分、不全面。此外,属性信息通常是复杂、异构、多样和难以利用的,如何利用实体属性信息提升实体表示的效果是一份具有挑战性的工作。为了解决上述问题并合理地利用属性信息,本文提出一种双重知识图谱表示学习模型Duet Entity Representation Learning Model（DERL）,它可以结合实体的结构信息和属性信息共同提升知识表示的整体效果。为了有效地编码实体属性信息,本文在DERL模型中设计了一种属性编码器Entity Attribute Encoder（EAE）,它可以合理地编码复杂的属性信息来捕捉实体属性语义信息。EAE中包含两个编码组件:属性类型编码组件和属性值编码组件,分别用来编码实体属性类型信息和实体属性值信息。另外,本文在DERL模型中内嵌了属性注意力机制,用于区分不同属性类型和属性值对实体表示重要性。为了利用实体属性信息解决Zero-Shot问题,本文提出一种表示学习模型Zero-Shot Representation Learning Model（ZSRL）,它可以利用实体属性信息学习KGs中新增实体的表示,来解决Zero-Shot场景中两个普遍存在的问题:（1）KGs中新增实体无法直接表示;（2）无法为新增实体学习到一个兼容的、准确的表示。本文为ZSRL模型设计了一种属性编码器Entity Attribute Encoder BiGRU（EAEBG）,它可以有效地将新增实体的属性信息编码到实体表示中去。本文为ZSRL模型设计了一种融合评分函数,进一步将基于结构实体表示和基于属性实体表示联合训练,以此来提升实体表示的兼容性,提升ZSRL模型解决Zero-Shot问题的能力。本文在真实数据集DWY100K与FB24K上分别验证了DERL模型和ZSRL模型的有效性,通过与目前比较流行模型实验结果的对比,DERL模型在知识图谱补全任务（Knowledge Graph Completion,KGC）上最高有14.3%的性能提升,ZSRL模型在基于Zero-Shot场景知识图谱补全任务上最高有28.6%的性能提升。实验结果证明了本文提出表示学习模型可以利用实体的属性信息学习一个精确的、富含丰富语义的知识表示,并且可以联合实体的结构信息共同提升KRL的整体效果。这不仅证明了DERL模型和ZSRL模型的科学性和有效性,同时也证明了EAE和EAEBG具有优秀的编码能力。本文首次提出使用属性信息解决Zero-Shot问题,为KRL领域中Zero-Shot问题提供了新的解决思路。