表示学习是指将文字（词汇、短语、句子、文章）、图片、语音等的语义信息表示为稠密低维的实值向量。 类似地，知识表示学习是将知识库中的实体和关系表示为稠密低维的实值向量。 知识图谱中的知识通常用三元组（head，relation，tail）表示，包含实体和关系，其中节点代表实体，边代表关系。 知识表示存在计算效率问题和数据稀疏问题。 计算效率问题是指基于图结构的知识，表示虽然简洁直观，但是需要专门的图算法（复杂度高、可扩展性差）。 数据稀疏问题主要是由长尾分布造成的，长尾上的实体和关系的语义难以捕获。 通过知识表示，低维向量提高了计算效率，稠密向量缓解了数据稀疏，多源的异质信息表示形式统一，便于迁移和融合。