已有的知识图谱补全（KGC）方法大多未充分挖掘三元组结构中的关系路径，仅考虑了图结构信息；同时现有模型在实体聚合过程中着重考虑邻域信息，对关系的学习相对简单。针对以上问题，提出融合有向关系和关系路径的图注意力模型DRPGAT。首先，将常规三元组转换为有向关系三元组，并引入注意力机制对不同的有向关系赋予不同的权重，从而完成实体信息的聚合，同时，建立关系路径模型，通过将关系位置嵌入路径信息区分不同位置之间的关系，并过滤无关路径得到有用的路径信息；其次，使用注意力机制对路径信息进行深度学习，以实现关系的聚合；最后，将实体与关系送入解码器，训练得到最终的补全结果。在2个真实数据集上进行链接预测实验，以验证所提模型的有效性。实验结果表明，在FB15k-237数据集上，相较于基线模型中的最优结果，DRPGAT的平均排名（MR）降低了13，平均倒数排名（MRR）、Hits@1、Hits@3、Hits@10分别提高1.9、1.2、2.3和1.6个百分点；在WN18RR数据集上，DRPGAT的MR降低了125，MRR、Hits@1、Hits@3、Hits@10分别提高了1.1、0.4、1.2和0.6个百分点，显示了所提模型的有效性。
