知识图谱蕴含着丰富的现实世界知识，能够为人工智能应用提供强有力的支持。在知识图谱补全任务中，已有大量进展，当前最先进的模型主要基于图卷积神经网络（Graph Convolutional Neural Networks）。这些模型能够自动提取特征，并结合图结构模型的特性，生成具有强大表达能力的特征嵌入。然而，现有方法在知识图谱的关系路径上赋予相同的权重，忽视了邻近节点所蕴含的丰富信息，导致三元组特征的挖掘不够充分。为此，本文提出一种新型表示方法——图衰减注意力网络（Graph Attenuated Attention Networks, GAATs），该方法引入衰减注意力机制，能够为不同关系路径分配不同的权重，并有效获取邻域信息。由此，实体与关系可在任意邻域中被学习。实验研究验证了基于衰减注意力机制模型的有效性，在两个基准数据集WN18RR和FB15k-237上，GAATs均显著优于现有最先进方法。