知识图谱以三元组(头实体，关系，尾实体) 的形式组织并存储结构化事实，因其在推荐、问答和信息检索等下游任务中有着重要的应用，近年来收到了广泛的关注。相应地，对知识图谱的表示和学习也有了大量的研究。但现研究中仍有以下两个问题仍未得到解决。其一，很多方法聚焦设计一个模型来学习一个通用且静态的实体表示，而忽略了知识图谱环境的复杂性，如一个实体可能有多个角色，且在不同的事实中存在。其二，关系反应了实体的角色，而同一种关系也可能反
映实体的不同角色，需要依据环境判断。而当前大量的研究聚焦在学习实体的表示，对于关系的表示和更新方法的研究较少。为此，本文中提出一个新模型着重处理这两个问题。首先，本文所提模型在不同空间中捕捉实体的不同角色，继而设计路由机制学习实体的动态表示。而由于关系和环境反应了实体的角色，需要根据实体所在的环境对关系表示和更新，因此本文模型利用当前关系对应的头实体的邻居关系来更新和学习此关系的表示。最后，本文在知识图谱数据集FB15k-237 和WN18RR进行链接预测实验以验证所提方法，并将它和已有基线方法进行性能对比，结果表明本文的方法在这两个数据集上优于基线方法，在数据集FB15k-237 和MRR 指标上，相比于R-GCN 提升12.4%。同时，这也验证了本文方法的可以在下游任务中表现出更好的性能。