作为知识图谱补全的重要技术手段，知识推理已经成为当下研究的热点。其中基于路径的知识表示学习模型由于同时考虑了关系路径和实体的语义信息，大大提高了知识推理的准确度。虽然该模型以知识表示学习为基础，通过引入复杂关系路径建模提高了知识推理准确度，但同时也增加了时间开销，难以适应规模日益庞大的知识图谱。
　　针对复杂关系路径建模存在的效率问题，提出了一种利用子关系路径特征进行建模的方法(Sub-relation Path Features，SPF)。SPF的主要思想是利用限长宽度优先遍历算法(Length-limited Breadth-First Search，LBFS)为知识图谱中的每个节点抽取子关系路径特征，形成子关系路径特征集。在进行关系路径建模时，只需要根据邻居节点特征选择性组合子关系路径特征，就可以形成一种从局部到整体的关系路径建模模式，从而提高关系路径建模的效率。SPF可以将计算复杂度从指数级降为常量级，并且可以有效减少复杂关系路径建模中的冗余计算。虽然SPF可以有效改善时间开销，但是当关系路径长度较长时，SPF由于需要记录较多的子关系路径特征，存在内存开销大的问题。因此，针对较长的关系路径，提出一种路径数量受限的子关系路径特征建模方法(Limited Sub-relation Path Features，LSPF)，LSPF可以通过过滤掉对知识推理帮助不大的关系路径来降低空间开销。
　　经过实验表明，SPF相比复杂关系路径建模，可以在保证知识推理准确度的前提下将时间开销减少27.1%到59.5%；在对较长关系路径进行建模时，LSPF能在保证推理准确度的前提下，将SPF的空间开销降低1.65倍，将复杂关系路径建模的时间开销减少69.8%。