随着互联的发展,网络上的信息呈爆发式的增长,其中许多知识以文本的方式存储在知识图谱中。知识图谱广泛应用于网页搜索优化、推荐系统、商业分析、风险评估、自动化处理等领域。然而除了大型商业知识图谱外,现有的知识图谱完整度都不高,稀疏度较大,影响着知识图谱应用系统的准确性。针对以上问题,知识图谱推理算法,又称知识推理,可以对知识图谱中缺失的关系进行推理补全。1、现有的知识图谱推理算法在进行知识图谱补全时对实体和关系信息获取不够完善,存在未获取到图谱中的结构信息的问题。因此,本文在收集图谱语义信息的图卷积神经网络（Graph Convolutional Network,GCN）知识图谱推理算法中增加知识图谱结构信息的收集;具体在使用GCN网络对获取语义信息,同时通过改进图表示学习（Graph SAGE,GS）框架的目标节点采样方法,进行邻居节点结构信息收集;利用多头注意力机制将结构和语义信息的评分结果进行融合;最后在公开的数据集上进行了实验分析。改进的算法在NELL-995数据集上评价指标MRR、Hits@1、Hits@3分别上涨了1.1%,2.9%,2.8%,在Open Bio Link数据集上评价指标MRR、Hits@10分别上涨了1.3%,2.7%。2、本文针对知识图谱推理算法在关于信息量较少的稀疏知识图谱推理时存在的问题进行了分析,提出使用外部信息对稀疏知识图谱实体特征进行增强,利用基于GCN网络和外部知识库的特征信息增强方法来改进算法。具体采用EncoderDecoder框架和长短记忆网络（Long Short Term Memory Network,LSTM）对目标头尾实体进行特征抽取;利用实体链接算法在外部知识库中定位目标实体,将GCN网络对知识库中聚合获得的额外信息作为外部特征;利用双注意力机制融合得到增强特征;最后在短文本数据上验证了信息增强模块的可行性,实验了不同稀疏度下知识图谱推理算法的结果。改进的方法在FB15K-237数据集稀疏度为10%的情况取得最好的效果,评价指标MRR增长了2.2%。3、本文利用知识推理对石墨烯制备专利的知识图谱进行完善,进而借助知识图谱对石墨烯专利文本进行应用分析。首先利用知识图谱构建方法对每篇石墨烯专利进行知识图谱构建,结合第三章和第四章模型推理补全石墨烯制备专利知识图谱。在获得完善的知识图谱条件下,结合石墨烯制备领域的关键材料和工艺流程,对石墨烯制备专利进行创新性分析和趋势分析。