知识图谱是用于构建智慧问答、推荐系统这些应用的宝贵资源。知识图谱是由事实三元组构成的集合,每个三元组包括头实体、关系以及尾实体。目前许多的大型知识图谱都是比较稀疏的,知识图谱的不完整性影响了它们下游应用的使用效果,知识图谱补全任务就是根据知识图谱中的现有信息来添加新的三元组。基于知识图谱嵌入的知识图谱补全方法利用三元组的结构信息,近年来取得不错的效果。然而这种方法只关注了实体之间的直接关系,而忽视了知识图谱中关系路径的存在。基于路径的知识图谱补全方法根据关系路径来对实体间的关系进行推断。早期的基于路径方法PRA将实体间的每条路径作为原子特征,然后训练二分类器对实体间关系进行判断,这种方法难以处理大型的知识图谱。随后的Path-RNN以及Single-Model模型利用循环神经网络将关系路径的语义信息表示为向量,提高了模型的可扩展性。本文针对Single-Model模型存在的不足,对其进行了改进,具体工作为:（1）Single-Model模型使用的RNN无法解决长期依赖问题,因此在处理较长的关系路径时无法生成较好的向量表示,此外RNN存在梯度消失和梯度爆炸的问题,使得模型难以训练。因此本论文使用LSTM网络替换RNN。（2）Single-Model在关系路径中使用实体的类型来替换实体,这样会造成路径信息的丢失。本论文利用数据集中提供的文本辅助信息,结合知识图谱中三元组的结构信息,预训练出实体与关系的嵌入表示,并将它们用于关系路径的向量生成中。（3）Single-Model模型没有考虑到实体对间的每条路径对于特定的预测关系所提供的信息量是不同的,基于此,本论文引入注意力机制为每条路径分配不同的权重,对多条路径的信息进行融合得到一个实体对的向量表示,然后利用此向量来推测实体对间的关系。本文在验证数据集上对所提出的模型进行了评测,实验表明,在三元组分类和链接预测任务上,我们的模型相比基准模型有更好的表现效果。