知识表示学习(KRL)是在低维语义空间中表示知识图中的实体和关系，在大规模的知识驱动任务中得到了广泛的应用。在本文中，我们将向读者介绍KRL的动机，并概述现有的KRL方法。然后，对知识获取的三种评价任务，包括知识图的完成、三重分类和关系提取，对几种典型的KRL方法进行了广泛的比较和定量分析。我们还回顾了KRL的实际应用，如语言建模、问答、信息检索和推荐系统。最后，我们讨论了KRL所面临的挑战，并展望了KRL未来的发展方向。

论文下载地址：

www.zhuanzhi.ai/paper/aee86d813678901fa169e98c4b896ad0

代码&数据集

Github地址：https://github.com/thunlp/openke

请加专知小助手微信（扫一扫如下二维码添加），咨询《深度学习:算法到实战》参团限时优惠报名~

欢迎微信扫一扫加入专知人工智能知识星球群，获取专业知识教程视频资料和与专家交流咨询！

请PC登录www.zhuanzhi.ai或者点击阅读原文，注册登录专知，获取更多AI知识资料！

点击“阅读原文”，了解报名专知《深度学习:算法到实战》课程