目的：

自2012年谷歌提出知识图谱这一概念以来，随着技术的发展，知识图谱的应用范围愈加的广泛。从最初的服务于垂直搜索领域到如今已应用到各细分领域，比如在只能问答领域已经出现微软的小娜、苹果的siri等优秀产品，同时知识图谱还应用到金融领域用于反欺诈、应用到医学领域用于辅助疾病诊断，可以说知识图谱发挥的作用越来越大。而知识推理是知识图谱应用过程中不可缺少的一项技术，它对知识图谱的构建起着重要作用。随着知识图谱的发展，知识推理也有着自己的发展。出现了多条技术发展路线及架构。因此，本次毕业设计将对知识图谱推理进行综述研究，并对其推理架构以及动态推理方案进行研究。最终拟得出优化的推理架构以加速知识推理的过程。

国内外研究现状：

当前知识图谱推理领域的的研究热点集中于推理方法及推理架构的研究，加快推理的速度及正确性以及推理方法的健壮性是当前研究的重点。

Dat QuocNguyen等人提出将SE和TransE模型组合成新的嵌入模型STransE，其将每个实体表示为低维向量，并且每个关系由两个矩阵和平移向量组成。 STransE是SE和TransE模型的简单组合，但它在两个基准数据集上获得比先前嵌入模型更好的链路预测性能。因此，STransE可以作为链路预测任务中更复杂模型的新基线。

刘寒骁等人提出一种新的框架，用于优化关于嵌入实体和关系的类比属性的潜在表示。通过以可区分的方式制定学习目标，我们的模型既具有理论力量又具有计算可扩展性，并且在基准数据集上显着优于大量代表性基线方法。此外，该模型提供了多关系嵌入中几种众所周知的方法的优雅统一，这可以被证明是我们框架的特殊实例。

ShibSankar Dasgupta等人提出了HyTE，一种时间上感知的KG嵌入方法，它通过将每个时间戳与相应的超平面相关联，明确地将时间结合在实体关系空间中。 HyTE不仅使用时间指导执行KG推理，还预测关系事实的时间范围与缺少时间注释。通过对从真实世界KGs提取的时间数据集的大量实验，我们证明了我们的模型相对于传统和时间KG嵌入方法的有效性。

翟社平等人提出一种知识图谱补全的链接预测方法。该方法运用贝叶斯网络概率推理图模型优势并结合本体推理规则，对知识图谱节点间依赖程度进行定量分析，旨在充分挖掘模型潜在因素，实现正确预测。实验结果表明，该方法能有效提升知识图谱的链接预测效率，保证较高的预测准确度，并及时更新知识图谱。

姜天文等人提出使用基于TransE模型的知识表示学习进行知识推理,包括对实体关系三元组中关系指示词以及尾实体的推理,其中关系指示词推理的实验取得了较好的结果,且推理过程无需设计复杂的算法,仅涉及向量的简单运算。另外,该文对原始TransE模型的代价函数进行改进,以更好地适用于开放城中文知识库表示学习。