随着大数据和互联网技术的发展,大量的知识图谱已经被开发出来。知识图谱上的知识推理旨在识别错误并从现有数据中推断出新结论。实体之间的新关系可以通过知识推理得出,以此来丰富知识图谱,然后支持上层应用程序。考虑到知识图谱的广泛应用前景,近年来对大规模知识图谱的知识推理硏究已成为自然语言处理的研究重点之一。规则、嵌入和神经网络都可以用于知识图谱推理,它们各有各的优缺点。本文首先提出了本体语义信息这个概念,之后通过10种OWL类属性公理提取知识图谱中的本体语义信息。在此前提下,本文提出了OntoE模型将本体语义信息高效融入到嵌入学习中。OntoE模型主要由嵌入学习、公理归纳和公理注入三个部分组成,可以更有效地完成知识推理任务。近年来知识图谱推理中的图卷积网络也受到了广泛的关注。但是,图卷积模型仅考虑知识图谱的结构信息,而忽略了知识图谱中的本体语义信息。于是本文提出了一种名为IterG的新模型,该模型在OntoE模型的基础上,引入了图卷积网络。具体来说,IterG通过图卷积网络以无监督的方式学习知识图谱的嵌入,并通过规则学习来提取语义本体信息,用以完成知识推理任务。本文使用典型的知识推理任务链接预测对OntoE模型和IterG模型进行实验评估,实验结果显示这两个模型的表现要远好于现有知识推理方法,其中OntoE模型在各项指标提升幅度为10%至40%;IterG模型在各项指标提升幅度为15%至50%。以上理论分析和实验结果表明知识图谱本体语义信息对嵌入学习以及神经网络学习的各项性能指标有显著的提升,相比于现有知识推理方法,以上两个模型能够有效地将本体语义融入到这两类知识推理方法中。