面向知识图谱的知识推理旨在推理出与查询和规则相关的隐含知识或依据路径,是近年来知识图谱研究的热点问题之一。知识推理在封闭域的知识查询、知识图谱补全、开放域的知识问答、语义检索等场景中具有重要的的应用价值。虽然知识推理已有大量的研究成果,但现有推理模型在长距离和复杂关系的推理中,由于推理链长度增加导致搜索空间过大以及关系复杂多样等因素的影响,知识推理仍然面临着推理精度不够高和推理性能不够好的挑战。针对上述问题,本文首先提出一种基于双曲空间的知识图谱表示学习模型,该模型能够将知识图谱中的实体和关系细粒度地嵌入到低维的双曲空间中,在满足嵌入关系的同时,保证层次结构等信息的损失尽量少。然后,将带有层次信息的实体、关系嵌入向量应用于基于强化学习的推理模型中,使得推理过程能够获得更大的动作空间,从而扩大推理的范围。最后,利用层次信息来保证推理链路的可靠性和充分性,并提高推理模型的精度。本文的主要工作具体包括:1)提出了一种基于双曲空间的知识表示学习模型HBE:该模型借助切空间到双曲空间的映射,将知识图谱中的实体以及关系嵌入到双曲空间中,在保持学习到实体与关系之间空间变换不变性的同时,尽可能地保证概念之间的层次关系,从而使得知识嵌入向量中包含层次信息。同时,在嵌入过程中针对以往双曲空间嵌入方法中普遍存在的浮点数精度不足的问题,提出了使用类似极坐标变换的方式转换到扩展庞加莱球和利用近似的非欧超球来处理边界情况的方法,用以缓解在传统方法中庞加莱球边界附近点过于密集导致的模型性能问题。除此之外,HBE模型中还加入和极坐标相关的约束项来保证学习对称等关系,并借助角度变换近似处理了在双曲空间中的内积。在公开数据集上的实验结果表明,HBE模型在知识图谱链接预测任务上的性能要优于现有方法。2)提出了一种基于强化学习的知识推理模型PAAR:该模型在知识图谱上利用强化学习来学习多跳的知识图谱推理路径,并针对现有模型中没有有效利用层次信息的问题,利用双曲空间的表示向量引入概念的层次信息以及双曲距离的约束,从而获得更加充分的推理路径。并引入额外的动作空间以及对动作空间用注意力机制对动作加以约束与重排序,同时加入软奖励函数,缓解现有推理方法奖励稀疏以及性能不佳的问题。实验结果表明与其它的多跳推理方法相比,PAAR模型从双曲空间引入的表示学习约束有助于提高推理的充分性,在知识图谱多跳推理任务上的表现要优于现有方法。