1.一種基于文本嵌入和結構嵌入聯合的知識表示方法，其特征在于，包括以下步驟：

步驟一：將知識庫中的實體描述文本進行預處理，對每個實體描述提取主題詞；

步驟二：使用fasttext將主題詞編碼成詞向量，每個實體描述表示為多維詞向量；

步驟三：將處理后的多維詞向量，輸入到帶有注意力機制的雙向長短記憶網絡A-BiLSTM或帶有注意力機制的長短記憶網絡A-LSTM編碼，將表示每個實體的多維詞向量處理成一維向量，也就是文本表示，并訓練現有的transE模型，得到實體的結構表示；

步驟四：引入門控機制，并通過文本嵌入和結構嵌入聯合的方法，得到最終的實體嵌入矩陣；具體如下：

對于實體e，定義e_d表示是它的結構嵌入信息，e_s是對實體e文本描述的編碼；對于如何結合e_s和e_d，即要得到平衡系數g_s與g_d如公式(1)所示；

通過以下四種方法將結構特征矩陣和文本特征矩陣組合；分別為：

(1)根據attention機制的思想，得到平衡系數g_s和g_d如公式(2)所示；

u_s＝tanh(e_s·w+b)

u_d＝tanh(e_d·w+b)

(2)將平衡系數g_s和g_d總和設置為1，并利用在(2)中的評分系數u_s和u_d，得到g_s和g_d如公式(3)所示：

(3)利用公式評分函數即來代替評分系數u_s和u_d，得到平衡系數g_s和g_d如公式(4)所示：

(4)同樣地，將g_s和g_d總和為1，并利用評分函數z(e)，得到g_s和g_d如公式(5)所示：

步驟五：將實體嵌入矩陣輸入到ConvKB、TransH、TransR、Distmult、Hole知識圖譜嵌入模型中，提高知識補全任務。