嵌入和知识图谱是表示和处理结构化信息的互补工具。 嵌入将实体、关系或文本转换为数值向量，以紧凑的形式捕获语义或上下文相似性。 另一方面，知识图谱以结构化格式显式地建模现实世界的实体（节点）及其关系（边）。 它们之间的联系在于嵌入如何通过添加数值语义层来增强知识图谱，从而实现仅使用图结构难以实现的相似性搜索或机器学习集成等任务。
例如，知识图谱可以将“巴黎是法国的首都”这样的事实表示为由边（“capitalOf”）连接的节点（巴黎，法国）。 嵌入可以将这些节点和边转换为向量。 像 TransE 或 Node2Vec 这样的技术会生成嵌入，其中相似的实体（例如，巴黎和柏林）或关系（例如，“capitalOf”和“locatedIn”）在向量空间中聚集。 这允许通过比较向量距离来查找在功能上类似于巴黎的实体（例如，柏林作为德国的首都）等操作。 嵌入还支持知识图谱补全 - 通过训练模型根据现有图模式和向量相似性来推断关系，从而预测缺失的边。
嵌入和知识图谱之间的协同作用对开发人员来说是切实可行的。 嵌入使图数据可在需要数值输入的机器学习模型中使用，例如推荐系统（例如，根据图中用户-项目交互推荐相关产品）。 相反，知识图谱提供了结构化上下文，可以提高嵌入质量 - 例如，使用基于图的约束来确保嵌入尊重分层关系（例如，“Apple Inc.” ≠ “apple fruit”）。 像 PyTorch Geometric 这样的工具或像 gensim 这样的库简化了这些技术的实施。 但是，挑战包括在更新期间保持图结构和嵌入之间的一致性。 结合这两种方法可以平衡显式知识表示（图）与隐式模式识别（嵌入），从而使系统对于语义搜索或欺诈检测等任务更具鲁棒性。