目前已有的知识图谱补全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用于知识图谱补全。首先，将常规三元组转换为有向关系三元组，引入注意力机制对不同的有向关系赋予不同的权重，从而完成实体信息聚合；同时建立关系路径模型，通过将关系位置嵌入融入路径信息以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。对两个真实数据集进行链接预测实验，以验证所提方法的有效性。实验结果表明，在FB15k-237数据集上，相较于基线方法中的最优结果，DRPGAT的平均排名（MR）值降低了13，平均倒数排名（MRR）、Hits@1、Hits@3、Hits@10提高了1.9、1.2、2.3和1.6个百分点；在WN18RR数据集上，DRPGAT的MR值降低了125,MRR、Hits@1、Hits@3、Hits@10提高了1.1、0.4、1.2和0.6个百分点，表明了所提方法的有效性。
