知识图谱以结构化的形式表示现实世界中的实体及其之间的关系,能够将互联网中的海量数据进行有效整合和运用,因此被广泛应用于搜索引擎、推荐系统等领域。知识图谱嵌入将知识图谱中的实体和关系嵌入到具有语义约束的低维连续向量空间中,以便在简化操作的同时保持知识图谱的固有结构。这些实体和关系嵌入可以被进一步用于使各种下游任务受益,如知识图谱补全、关系抽取、实体分类和实体解析等。因此知识图谱嵌入能够有效表示金融知识图谱中的实体和关系特征,提升计算效率,具有极高的研究价值。本文分别从特征表示和嵌入评分两个方面对知识图谱嵌入方法进行了研究,分析已有工作中存在的不足,并针对这些问题设计相应的改进方案,以学习更具表现能力的实体和关系嵌入。本文的主要贡献有如下几个方面:1.在特征表示方面,针对当前模型没有充分利用关系路径信息且为不同邻域上的关系分配相同权重的问题,本文设计了一种基于关系图注意力网络的知识图谱嵌入模型,该模型在图注意力网络的基础上从不同关系路径中学习关系嵌入,并通过为不同的关系分配不同的权重来从节点的邻域中收集特征,从而增强实体和关系嵌入。在链接预测任务上的实验结果表明,所设计的模型在多数评估指标上的表现都优于其他大部分模型。2.在嵌入评分方面,针对当前模型难以有效地对知识图谱中的语义层次结构进行建模的问题,本文设计了一种能够建模语义层次结构的知识图谱嵌入模型,该模型将实体和关系映射到带有极坐标系的复数向量空间中,并使用自对抗负采样方式训练模型。在多个基准数据集上的实验结果表明,所设计的模型在具有复杂层次结构的数据集上的表现优于其他大部分模型。3.针对金融知识图谱存在的结构复杂等问题,本文设计了一种金融知识图谱嵌入模型,该模型可以挖掘实体邻域中的隐藏信息,并对金融知识图谱中的复杂语义层级结构进行嵌入评分,以生成更具表现力的特征嵌入。在自构建的金融数据集和其他基准数据集上的实验结果体现了本文设计模型的有效性和适用性。在此基础上,本文设计并实现了一个金融知识图谱演示系统,能够利用设计的知识图谱嵌入模型对原始金融知识图谱进行图谱补全,并以关系图的形式演示补全效果。