近年来利用图结构来解决知识图补全(KGC)问题取得了不错的进展，其中图神经网络(GNNs)通过聚合实体的局部邻域信息来不断更新中心实体的表示，图注意力网络(GATs)使用注意力机制有侧重地聚合邻居，以获得更准确的中心实体表示。这些模型虽然在KGC中取得了不错的性能，但它们都忽略了中心实体的类型信息，仅仅使用邻域信息来计算注意力，将导致计算出来的注意力不够精准。针对这些问题，文中提出了一种类型匹配约束的图注意力网络(TMGAT),该方法通过计算中心实体类型对每个邻域关系的注意力，来得到实体类型-关系级别的注意力，以进一步计算出中心实体与各邻域关系的类型匹配度，再通过邻域关系及对应的邻居实体，结合类型匹配度计算实体-关系级别的注意力，得到邻域节点对中心实体的最终注意力。使用类型匹配度来约束传统的注意力机制，提升注意力机制的准确性，得到更加精准的中心实体嵌入，进而提升知识图补全的准确性。截至目前，文中提出的TMGAT是第一个在GATs中结合显式类型进行知识图补全任务的模型。文中加工了两个现有的数据集，使数据集中每个实体都拥有若干个类型，以验证TMGAT模型的性能。最后，实验部分展现了TMGAT在知识补全任务中优秀的竞争力，并研究了类型个数对模型性能的影响。