知识图谱表示学习旨在将实体和关系映射到一个低维稠密的向量空间中。现有的大多数相关模型更注重于学习三元组的结构特征，忽略了三元组内的实体关系的语义信息特征和三元组外的实体描述信息特征，因此知识表达能力较差。针对以上问题，提出了一种融合多源信息的知识表示学习模型BAGAT。首先，结合知识图谱特征来构造三元组实体目标节点和邻居节点，并使用图注意力网络（GAT）聚合三元组结构的语义信息表示；然后，使用BERT词向量模型对实体描述信息进行嵌入表示；最后，将两种表示方法映射到同一个向量空间中进行联合知识表示学习。实验结果表明，BAGAT性能较其他模型有较大提升，在公共数据集FB15K-237链接预测任务的Hits@1与Hits@10指标上，与翻译模型TransE相比分别提升了25.9个百分点和22.0个百分点，与图神经网络模型KBGAT相比分别提升了1.8个百分点和3.5个百分点。可见，融合实体描述信息和三元组结构语义信息的多源信息表示方法可以获得更强的表示学习能力。
