1.一种融合实体描述及类型的知识图谱表示学习方法，其特征在于，包括以下步骤：步骤S1：利用翻译模型获得三元组实体的嵌入，将三元组中的关系当作头实体和尾实体间翻译操作，得到每个三元组实体和关系的数值向量表示；

步骤S2：采用Doc2Vec模型，对实体描述的文本信息进行嵌入；

步骤S3：通过Trans模型得到的实体嵌入，与实体层次类型映射矩阵结合，得到三元组实体类型的嵌入；

步骤S4：将所有的表示向量进行连接，得到最终的三元组实体向量，采用随机梯度下降的方法优化训练模型，进行效果评估。

2.根据权利要求1所述的融合实体描述及类型的知识图谱表示学习方法，其特征在于，步骤S1中三元组实体嵌入包括TransE模型和TransR模型获取三元组嵌入，其中，E、R分别代表知识图谱的实体集合和关系集合，具体的获取方法包括：S11：TransE模型获取三元组嵌入；

S111：随机生成三元组头实体、关系、尾实体的向量表示，分别记为h、r、t；

S112：随机生成负样本数据；对于知识图谱中原本存在的三元组称之为正确三元组(h,r,t)，用实体集合E中的实体随机替换正确三元组中的头实体或尾实体，用关系集合R中的关系随机替换正确三元组中的关系，具体为：neg＝{(h′,r,t)|h′∈E}∪{(h,r′,t)|r′∈R}∪{(h,r,t′)|t′∈E}其中，h′是对应于h的负例样本，r′是对应于r的负例样本，t′是对应于t的负例样本；

S113：优化目标函数L(h,r,t)，获得基于TransE模型的三元组实体的嵌入；

其中，γ为超参数，衡量正确三元组和错误三元组的边界；d(h+r,t)＝||h+r-t||，d(h+r,t)为h+r和t的距离度量；pos为知识图谱中的正确三元组；

S12：TransR模型获取三元组嵌入

S121：对于每一个关系，通过变换矩阵Mr与头实体和关系实体向量相乘，将头实体向量h和尾实体向量t映射到关系空间，得到关系空间下的实体向量表示，即：hr＝hMr,tr＝tMr

S122：然后，生成负采样数据；对于知识图谱中原本存在的三元组称之为正确三元组(h,r,t)，用实体集合E中的实体随机替换正确三元组中的头实体或尾实体，用关系集合R中的关系随机替换正确三元组中的关系；

S123：最后，优化目标函数L(h,r,t)，获得基于TransR模型的三元组实体的嵌入；

其中，γ为超参数，衡量正确三元组和错误三元组的边界，d(h+r,t)＝||hr+r-tr||；d(h+r,t)为hr+r和tr的距离度量，d(h′+r′,t′)相同；pos为知识图谱中的正确三元组。

3.根据权利要求1所述的融合实体描述及类型的知识图谱表示学习方法，其特征在于，步骤S2中三元组实体描述的获取方法为：S21：随机生成N维的文档向量xparagraph-id和N维文档中每个词语的独热形式的词向量xi-m,...,i+m，其中i是指由上下文预测的当前中心词的标号，m是指窗口大小；

S22：对N维的文档向量和词向量进行降维：

vi-m＝Vxi-m,vi-m+1＝Vxi-m+1,...,vi+m＝Vxi+m,vparagrap k-id＝Vxparagrap h-id其中，V是一个n行N列的单位矩阵，n

S23：通过词向量和文档向量可以得到中心词向量yi：

其中，U为一个N行n列的单位矩阵，

S24：将中心词向量通过softmax函数进行归一化：

S25：优化目标函数；

S26：使用随机梯度下降的优化方法，最小化目标函数，更新并输出向量，得到实体描述的嵌入。

4.根据权利要求2所述的融合实体描述及类型的知识图谱表示学习方法，其特征在于，步骤S3中三元组实体类型的获取方法为：对于特定的三元组(h,r,t)，头实体映射矩阵的计算式为：其中，Crh代表给定的关系r下，头实体的关系类型集合，对于每一个实体类型c，ci代表实体e属于的第i个类型， 为ci的映射矩阵，αi为ci对应的权重；

其中，Crt为给定关系r下，尾实体的关系类型集合，Mc是类型c的投影矩阵，Mc被定义为：其中，m是层次类型的层数， 表示第i个子类型c(i)的映射矩阵；

最后，将Mrh、Mrt与TransE得到的三元组实体嵌入相乘得到实体类型的嵌入。

5.根据权利要求4所述的融合实体描述及类型的知识图谱表示学习方法，其特征在于，步骤S4中损失函数为：其中，γ为超参数，衡量正确三元组和错误三元组的边界，T为正例三元组集合，T’为负例三元组集合，通过随机替换正例三元组的头实体或者尾实体或者关系得到，即：T′＝{(h′,r,t)|h′∈E}∪{(h,r′,t)|r′∈R}∪{(h,r,t′)|t′∈E}d(h+r,t)＝||h+r-t||，代表h+r和t的距离度量；

通过步骤S1得到三元组的嵌入es，通过步骤S2得到实体描述信息的嵌入ed，通过步骤S3得到实体类型信息的描述et,初始化向量通过 组合成最终模型的初始向量, 代表拼接操作；采用链接预测和三元组分类进行评估。