1.一种基于多种语义的知识图谱表示学习方法，其特征是，包括如下步骤：步骤1、根据关系的不同语义定义关系矩阵，通过关系矩阵定义达分函数来表示知识图谱中实体与关系之间的相互关联；

步骤11、定义优化目标为：

hMr+r＝tMr

其中，Mr＝αMh+(1-α)Mt；h表示头实体，t表示尾实体，r表示头实体h和尾实体t的关系，Mr是关系矩阵，Mh是根据头实体定义的投影矩阵，Mt是根据尾实体定义的投影矩阵，α是用来确定关系矩阵的参数；

步骤12、利用实体向量与关系向量之间基于翻译的模型，定义衡量关系和实体对之间相互关联的达分函数；

步骤2、通过损失函数将实体向量与关系向量和关系矩阵联系起来，并最小化损失函数，以学习关系的不同语义下实体向量和关系向量，达到优化目标；

步骤21、定义损失函数为：

其中，[f(h,r,t)+γ-f(h′,r,t′)]+＝max(0,f(h,r,t)+γ-f(h′,r,t′))；γ为设定的边界值；(h,r,t)表示知识图谱的三元组即正例元组，h表示头实体，t表示尾实体，r表示头实体h和尾实体t的关系，f(h,r,t)表示正例三元组的关联函数，S(h,r,t)表示正例三元组集合；(h′,r,t′)表示随机替换掉头实体h和尾实体t所构建的负例三元组，f(h′,r,t′)表示负例三元组的关联函数，S′(h,r,t)表示负例三元组集合；

步骤22、最小化损失函数，学习得到知识图谱中每个实体向量和关系向量及其之间的相互联系。

2.根据权利要求1所述的一种基于多种语义的知识图谱表示学习方法，其特征是，步骤

11中，参数α的取值范围为α∈(0,1)。

3.根据权利要求1所述的一种基于多种语义的知识图谱表示学习方法，其特征是，步骤

12中，实体向量与关系向量之间基于翻译的模型为TransE或TransH。

4.根据权利要求3所述的一种基于多种语义的知识图谱表示学习方法，其特征是，当采用的是TransE的能量函数时，则达分函数f为：

当采用的是TransH的能量函数时，那么达分函数f为：

其中，(h,r,t)表示知识图谱的三元组即正例三元组，h表示头实体，t表示尾实体，r表示头实体h和尾实体t的关系，Mr是关系矩阵，lhr为头实体h沿超平面的法向量投影到对应关系r对应的超平面上的头实体向量，ltr为尾实体t沿超平面的法向量投影到对应关系r对应的超平面上的尾实体向量，lr为关系空间中关系r对应的关系向量，L1为L1距离，L2为L2距离。

5.根据权利要求1所述的一种基于多种语义的知识图谱表示学习方法，其特征是，步骤

22中，采用随机梯度下降方法最小化损失函数。