实体嵌入是由 Google Brain 研究人员开发的一种无监督深度学习技术，用于表示非结构化数据中的结构。它是被称为词嵌入的深度学习技术的延伸。词嵌入将单词映射到多维向量，而实体嵌入将实体（例如知识图中的实体）映射到多维向量。然后可以使用该向量空间来表示单个向量空间中的实体或整个知识图之间的关系。
实体嵌入技术最初是由 Google Brain 的研究员 Tomas Mikolov 及其同事在 2013 年发表的一篇论文中提出的。在论文中，作者提出了一种学习知识图中实体的分布式表示的方法，该方法可以用于推理和推断，而无需监督训练。该技术已被广泛采用，应用于定制搜索、自然语言处理和各种其他领域。
实体嵌入技术的核心是神经网络。该网络将一组实体及其关系作为输入，并输出知识图谱的分布式表示。关系表示为实体之间的加权边。然后使用这些边使用以下等式计算每个实体的分数：分数 = (Weight*Entity_Vector 1) + (Weight*Entity_Vector 2) + … + (Weight*Entity_Vector N)。该分数用于表示实体之间的相似性及其关系的强度。
使用实体嵌入的优点是，与监督机器学习等其他方法相比，它可以更准确、更丰富地表示知识图谱。通过学习稳健的数据表示而无需手动注释，实体嵌入可用于更准确地捕获复杂数据中的模式和关联。
近年来，该技术变得越来越流行，许多领先公司，如谷歌、微软和 Facebook，都将该技术用于各种应用。随着技术的成熟，实体嵌入的更多应用和用例将会出现，该技术将得到更广泛的使用。
