在表示學習中，知識圖譜嵌入（KGE），也被稱為知識表示學習（KRL），或多關系學習，是一項機器學習任務，學習知識圖譜實體和關系的低維表示，同時保留其語義。利用其嵌入式表示，知識圖譜（KGs）可用于各種應用，如鏈接預測、三重分類、實體識別、聚類和關系提取。

一個知識圖譜{displaystyle{mathcal{G}}={E,R,F}}是一個實體的集合。的三聯體。文獻中經常用來表示三聯體（或事實）的另一個符號是<head,relation,tail>。{displaystyle<head,relation,tail>}。.這種符號被稱為資源描述框架（RDF）。知識圖譜代表了與特定領域相關的知識；利用這種結構化的表示方法，經過一些細化步驟，就可以從中推斷出一段新的知識。然而，如今人們不得不面對數據的稀少和在現實世界中使用這些數據的計算效率低下的問題。知識圖譜的嵌入將知識圖譜中的每個實體和關系都翻譯出來。{displaystyle{mathcal{G}}的每個實體和關系轉化為給定維度的向量。｝嵌入到一個特定維度的向量中，稱為嵌入維度。在一般情況下，我們可以對實體有不同的嵌入維度.知識圖譜中所有實體和關系的嵌入向量的集合是一個更密集和有效的領域表示，可以更容易地用于許多不同的任務。一個知識圖譜的嵌入有四個不同方面的特征。表征空間。表示實體和關系的低維空間。打分函數。衡量三重嵌入表征的好壞。編碼模型。實體和關系的嵌入表示相互作用的模式。附加信息。任何來自知識圖譜的、可以豐富嵌入表示的額外信息。通常，一個特別的評分函數被整合到每個附加信息的一般評分函數中。嵌入程序所有不同的知識圖譜嵌入模型都遵循大致相同的程序來學習事實的語義。

首先，為了學習一個知識圖譜的嵌入表示，實體和關系的嵌入向量被初始化為隨機值。然后，從一個訓練集開始，直到達到一個停止條件，該算法不斷優化嵌入。通常情況下，停止條件是由訓練集上的過擬合給出的。在每次迭代中，都會抽出一批大小為{displaystyleb}的批次，并對每一個訓練集的批次，并為該批次的每個三元組隨機抽取一個被破壞的事實，即一個不代表知識圖譜中真實事實的三元組。三元組的損壞包括用另一個實體取代三元組的頭部或尾部（或兩者），從而使該事實成為錯誤。在訓練批次中加入原始三聯體和被破壞的三聯體，然后更新嵌入，優化一個評分函數。在算法結束時，學習到的嵌入應該已經從三聯體中提取了語義，并且應該正確地在知識圖譜中未見過的真實事實。

以下是一般嵌入程序的偽代碼。

計算實體和關系嵌入是輸入。訓練集{displaystyle(h',r,t')leftarrowsample(S')}//對一個被破壞的事實進行采樣。//采樣一個被破壞的事實或三聯體{displaystyleT_{batch}leftarrow